EP2769303A1 - Procede de detection preventive d'une panne d'un appareil, programme d'ordinateur, installation et module de détection préventive d'une panne d'un appareil - Google Patents

Procede de detection preventive d'une panne d'un appareil, programme d'ordinateur, installation et module de détection préventive d'une panne d'un appareil

Info

Publication number
EP2769303A1
EP2769303A1 EP12775476.0A EP12775476A EP2769303A1 EP 2769303 A1 EP2769303 A1 EP 2769303A1 EP 12775476 A EP12775476 A EP 12775476A EP 2769303 A1 EP2769303 A1 EP 2769303A1
Authority
EP
European Patent Office
Prior art keywords
parameter
failure
value
measured value
monitored
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.)
Ceased
Application number
EP12775476.0A
Other languages
German (de)
English (en)
Inventor
Eric AMOUSSOUGA
Yves THILLOT
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.)
General Electric Technology GmbH
Original Assignee
Alstom Technology 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 Alstom Technology AG filed Critical Alstom Technology AG
Publication of EP2769303A1 publication Critical patent/EP2769303A1/fr
Ceased legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/008—Reliability or availability analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
    • G01R31/62—Testing of transformers
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/42—Servomotor, servo controller kind till VSS
    • G05B2219/42307—Compare actual feedback with predicted, simulated value to detect run away

Definitions

  • the invention relates to the field of preventive fault detection in an industrial installation.
  • the invention more particularly relates to a method for preventive detection of a device failure, a computer program, an installation and a module for detecting a failure of a device.
  • Preventative failure detection in an industrial installation usually consists of individual monitoring of each device in the installation.
  • This individual monitoring of each of the apparatuses is achieved by means of a failure detection method of measuring one or more parameters of the apparatus to determine whether or not these parameters are out of a so-called normal operating pattern.
  • the invention aims to remedy these disadvantages.
  • the invention relates to a method for the preventive detection of a failure of at least one device to be monitored in a group comprising at least two devices, the device to be monitored comprising at least a first parameter correlated with at least a second parameter of at least a second apparatus of the group, said parameters representing state variables of said apparatus, the method comprising the following steps:
  • step C) analyzing the result of the comparison made in step B) to detect a possibility of failure.
  • Such a method allows the preventive detection of a failure of a device to be monitored based on the measurements of at least one parameter representing a state value of a second device, this parameter being correlated with a parameter of the device. device to monitor.
  • the steps of predicting the value of the first parameter from the second parameter and comparing the value of the first parameter predicted from the second parameter with a measured value of the first parameter make it possible to detect a correlation error between the first parameter and the first parameter.
  • second parameter that may be characteristic of a future failure of the device to be monitored. Indeed, such a lack of correlation appears when there is a divergence between the value predicted the first parameter and a real measure of this parameter.
  • the device to be monitored and the second device are redundant devices.
  • Redundant devices are devices of the same type operating in parallel installation.
  • Such a method is particularly suitable for redundant devices having a high correlation in operation.
  • the analysis of the result of the comparison performed in step B) consists in checking whether there is a correlation defect between the first parameter and the second parameter at a time t.
  • the method further comprises a step of diagnosing a type of failure when a possibility of failure is detected.
  • diagnosis of the type of failure consists in carrying out at least one test of the apparatus to be monitored.
  • the prediction of the value of the first parameter from a measured value of the second parameter is made from a prediction model defined by prior learning of a coherence relation between previously measured values of the first parameter and the first parameter. second parameter.
  • Such a prediction model defined by learning makes it possible to adapt the model irrespective of the coherence relation between the first and the second parameters, so that it is not necessary to know precisely the correlation relation before the implementation. place of the process in an industrial installation.
  • the prior learning is performed by means of a learning method using a neural network system.
  • Such a neural network system is particularly suitable for setting up a flexible and adaptable learning method irrespective of the correlation relation between the first and the second parameter.
  • the prior learning is performed by means of a statistical learning method.
  • a statistical learning method makes it possible to simply obtain the correlation relation between the first and second parameters.
  • steps A), B) and C) of the method according to the invention are systematically repeated as long as no correlation fault between the first parameter and the second parameter is detected.
  • steps A), B) and C) makes it possible to carry out continuous and real-time monitoring of the device to be monitored, thereby providing early detection of a possibility of failure of the device to be monitored.
  • the prediction model defined for a given instant t is corrected regularly as a function of the values of the first and second parameters measured at a time preceding the instant t.
  • This correction of the model makes it possible to correct the slow drifts of the correlation relation between the first and the second parameter thus limiting the risks of an inadvertent detection of a possibility of failure which would be linked to this drift and not to a real risk of device failure.
  • the prediction model defined for a given instant t is systematically corrected as a function of the values of the first and second parameters measured at a time preceding the instant t.
  • At least one apparatus of the group is an oil-insulated power transformer or a power rectifier.
  • the invention also relates to a computer program for implementing the method according to the invention when it is executed on a computer, the computer program comprising instructions for carrying out the following steps:
  • Such a program by offering the possibility of implementing a method of preventive failure detection, makes it possible, when it is implemented in an installation, to detect a preventive failure limiting the implications that such a failure could have on the production of the installation.
  • the invention also relates to an installation comprising a group of at least two devices, an apparatus to be monitored, comprising at least a first parameter correlated with at least a second parameter of at least a second apparatus of the group, said parameters representing variables. state of said apparatus, said apparatus being characterized in that it further comprises: an acquisition system adapted to measure the first and the second parameter,
  • a processing module communicating with the acquisition system and adapted to predict a value of the first parameter from a measured value of the second parameter and to compare the predicted value of the first parameter with a measured value of this first parameter
  • a decision module adapted to analyze the result of the comparison of the predicted value of the first parameter and the measured value of said first parameter in order to detect a possibility of failure.
  • the installation may further comprise a diagnostic module communicating with the processing system, and adapted to determine the type of failure.
  • Such a diagnostic module makes it possible to determine the type of fault detected.
  • At least one apparatus of the group is an oil-insulated power transformer or a power rectifier.
  • the invention also relates to a fault prevention detection module adapted to detect a correlation fault between at least two parameters respectively representing state variables of a first device to be monitored and a second device, both belonging to a group of mounted devices on an installation according to the invention and said module comprising:
  • prediction means for predicting a value of the first parameter from a measured value of the second parameter
  • comparison means for comparing the predicted value of the first parameter with a measured value of this same first parameter
  • analysis means for analyzing the result of the comparison made by the comparison means in order to detect a possibility of failure.
  • Such a module may be a computer program as well as an automaton having said means.
  • Such a module allows a preventive detection of a fault when it is implemented in an installation according to the invention.
  • FIG. 1 schematically illustrates a module for the preventive detection of a fault
  • FIG. 2 illustrates a flowchart schematizing the main steps of a method according to the invention
  • FIG. 3 illustrates an example of an installation on which a method according to the invention has been implemented
  • FIG. 4 illustrates two graphs of the measured parameters and of a parameter predicted during the implementation of a method according to the invention on the installation illustrated in FIG. 3 during which no possibility of failure is detected
  • FIG. 5 is a graph showing the comparative variation of the parameter of the apparatus to be monitored and of the predicted value of this same parameter for the implementation of a method according to the invention on an installation as illustrated on FIG. Figure 3 and for which a possibility of failure is detected at time td.
  • the invention relates to a method of preventive detection of a failure of a device to monitor a facility.
  • the apparatus to be monitored is a first apparatus of a group of at least two apparatus of the installation.
  • the apparatus to be monitored has at least one state variable whose value is a first parameter.
  • At least one second device in the group has a state variable whose value is a second parameter.
  • the apparatus to be monitored and the second apparatus of the group are arranged in the installation such that in operation the first parameter and the second parameter are connected by a correlation relation. So we hear by such a correlation relation that the first parameter is correlated with the second parameter.
  • the apparatus to be monitored and the second apparatus of the group are two redundant devices in the installation.
  • the apparatus to be monitored and the second apparatus of the group are two redundant devices in the installation.
  • the first parameter and the second parameter represent the value of the same state variable respectively of the device to be monitored and the second device of the group.
  • the first and second parameters may also represent two different operating or state variables, respectively of the apparatus to be monitored and the second apparatus of the group, linked by a direct or indirect correlation relation.
  • a correlation relationship is for example the relationship that can exist between a temperature of the device to be monitored and the electrical power consumed by the second device. or a pressure of a cylinder of the device to be monitored and a gas flow of the second device.
  • the apparatus to be monitored and the second apparatus of the group are two non-redundant apparatus of the installation.
  • the first and second parameters can be linked by a relation correlation due to a cause-and-effect relationship, such as whether the apparatus to be monitored and the second apparatus are positioned in the same production line, or set under identical operating conditions, the apparatus for monitor and the second device of the group may, for example, be subject to the same electromagnetic disturbances.
  • the installation further comprises, as illustrated in FIG.
  • an acquisition system 10 adapted to measure the first and the second parameter
  • a processing module 21 communicating with the acquisition system 10 and adapted to predict a value of the first parameter from a measured value of the second parameter and to compare the predicted value of the first parameter with a measured value of the first parameter; parameter,
  • a decision module 25 adapted to analyze the result of comparing the predicted value of the first parameter and the measured value of said first parameter in order to detect a possibility of failure
  • a diagnostic module 30 adapted to diagnose the type of failure when the decision module detects a possibility of failure.
  • the acquisition system 10, the processing module 22, the decision module 25 and the diagnostic module 30 can be programs or computer programs run by a computer, automata or parts of automata, or a hybrid combination of computer programs and electronic devices without departing from the scope of the invention.
  • the acquisition system 10 is adapted to perform the measurements of the first and second parameters.
  • the acquisition system 10 comprises for this purpose measuring means, such as sensors of the state variables corresponding to said parameters, or that the acquisition system is in communication with the corresponding apparatus of the invention. to retrieve the values of the corresponding state variables.
  • the acquisition system 10 is adapted to measure the first and second parameters substantially simultaneously. Nevertheless, it is also conceivable for the acquisition system 10 to measure the first and second parameters with a time offset.
  • this time shift is less than a given time which is characteristic of the dynamics of variation of the state variables corresponding to the first and second parameters so as to enable the correlation relationship to be determined.
  • the acquisition system 10 supplied to the processing module 21 the values of the first and the second parameter.
  • a part 22, called prediction, of the processing module 21 is adapted to determine a predicted value of the first parameter from the value of the second parameter. This predicted value is preferably determined from a model corresponding to the correlation relation between the first parameter and the second parameter.
  • the model is obtained by a learning method which for example uses a neural network system or is of the statistical type.
  • a learning method consists in the implementation of a preliminary learning phase by the module.
  • Such a learning phase comprises in particular the determination of a correlation relation between previously measured values of the first parameter and the second parameter and the determination of a prediction model that uses the correlation relation determined by learning. With such a possibility it is therefore not necessary to know beforehand the correlation relation between the first and the second parameter.
  • the prediction part 22 is adapted to regularly correct the prediction model outside the learning phase, the prediction model being updated at a time t in function of measured values of the first and the second parameters at one or more instants preceding the instant t.
  • the prediction part 22 forms prediction means.
  • a part 23 of the processing module 21, called the comparison module, is adapted to compare the predicted value, provided by the prediction part 22, with a measured value of the first parameter.
  • the predicted value is compared with a measured value of the first parameter.
  • the value of the first measured parameter to which the predicted value is compared is a value of the first parameter which is measured substantially simultaneously, or with the time offset, to that of the second parameter from which the predicted value is predicted.
  • the comparison consists, for example, in determining the difference between the predicted value and the measured value of the first parameter or in measuring a ratio between the predicted value and the measured value of the first parameter.
  • the comparison part 23 forms comparison means.
  • the analysis module 25 communicates with the processing module 21 and is adapted to analyze the result of the comparison between the predicted value and the measured value of the first parameter performed by the processing module 21. This analysis consists in checking whether there is a correlation defect between the first parameter and the second parameter at a time t. The presence of such a correlation defect is characteristic of a possibility of failure of the device to be monitored.
  • the comparison consists in determining the difference between the predicted value and the measured value of the first parameter
  • the analysis and the detection of a correlation defect consist in determining whether this difference is greater in absolute value than a threshold. predetermined to detect a possibility of failure.
  • the analysis and the detection of a correlation defect consist in determining whether said ratio is significantly away from the unit.
  • the analysis module 25 forms means of analysis.
  • the processing module 21 and the analysis module 25 can be arranged to form a preventive detection module 20 of a fault.
  • the diagnostic module 30 communicates with the analysis module 25 and is adapted to perform, if necessary, one or more tests of the apparatus to be monitored and, from the result of the comparison of the predicted value and the measured value. the first parameter, and from the result of, or tests, determine the type of failure that is incurred by the device to monitor.
  • the diagnostic module 30 forms diagnostic means adapted to determine the type of failure.
  • the installation is adapted for implementing a method for detecting a failure, such a method comprises three different phases:
  • the learning phase implemented by means of the acquisition system 10 and the processing module 21 consists of the determination a model of prediction by learning.
  • Such learning phase L) may comprise the steps of:
  • the detection method may not include a learning phase, the prediction being made, in this case according to a prediction model previously determined during the implementation of installation.
  • the method comprises a learning phase
  • this learning phase L performed and the prediction model determined.
  • the monitoring phase is implemented by the acquisition system 10, the processing module 21 and the analysis module 25.
  • the monitoring phase consists of the following steps:
  • step C) analyzing the result of the comparison made in step B) to detect a possibility of failure.
  • Step A) may comprise the substeps of measuring the values of the first and second parameters at a time t and predicting a value of the first parameter on from the prediction model and the measured value of the second parameter.
  • the step A) further comprises a substep, which can be performed systematically or regularly, and which consists in correcting the model of the prediction model.
  • steps A), B) and C) are repeated systematically as long as no possibility of failure is detected.
  • diagnostic phase D) is implemented by means of the diagnostic module 30. Diagnostic phase D) consists of:
  • the diagnostic phase D) comprises a preliminary step of choosing one or more tests from a battery of tests; the choice of test (s) being made on the basis of the comparison made in step B) of the monitoring phase.
  • the diagnostic phase D) also comprises an alarm phase and communication of the possible fault detected, this phase of informing the detection of a failure and the type of failure incurred by the device to monitor.
  • the method may not comprise a diagnostic phase.
  • the analysis step C) comprises a communication step which, if a possible fault is detected, indicates that a possible fault is detected and that it is therefore necessary to call in a technician to diagnose the fault. type of fault detected.
  • the method may for example be implemented in a feed unit of an aluminum electrolysis unit, as shown in FIG. 3.
  • Such an installation is suitable for provide the power necessary for carrying out the electrolysis.
  • the installation comprises for this purpose four groups of devices each comprising a first power transformers H1, H2, H3, H4, an electric filtering system Fl, F2, F3, F4, a second transformer G1, G2, G3 and G4. said rectifier, and two rectifiers R1, R1 ', R2, R2', R3, R3 ', R4 and R4'.
  • each of the rectifying transformers G1, G2, G3 and G4 is an oil-insulated transformer and the state value considered is the temperature of the oil used to isolate said transformer.
  • Rectifier transformers G1, G2, G3 and G4 are similar transformers placed in parallel and subjected to identical conditions. As a result, they are redundant and their state values therefore have similar variations.
  • the parameters, representing the state values of the transformers, such as for example the temperature of the oil, are therefore correlated with each other.
  • the apparatus to be monitored being the transformer G4, the first parameter being the temperature T4 of the transformer oil G4, the second apparatus being the transformer transformers G1. , G2 and G3, and the second parameters the temperature T1, T2 and T3 respectively of the rectifying transformers G1, G2 and G3.
  • Tl T2 T3 T4 T ⁇ predicts
  • Table 1 Matrix of correlation of the temperatures of the transformers G1, G2, G3, G4 and the predicted temperature of G4
  • the table above shows the correlation matrix which is obtained during the realization of the learning phase L) to from a learning method based on a four-input neural network.
  • Such a matrix shows, by the proximity of the values with the value 1, a strong correlation between the values T1, T2, T3 and T4.
  • a prediction model is established making it possible to predict the value T4 as a function of the values T1, T2 and T3.
  • a pre- said value T4 is predicted at each instant t of the learning phase L) from the values T1, T2 and T3.
  • Table 1 also shows the correlation value between T4 and T4 pre- said. The value of 0, 93331393 of correlation between the value of T4 and the value of T4 predicts a good match between the established prediction model and the measurements of T4.
  • Figure 4 illustrates the results obtained during the implementation of the method on such an installation.
  • the upper part of Figure 4 presents a graph showing the variation of the input values that are T1, T2 and T3, while the part Figure 4 illustrates the comparison step between T4 and T4 pre-
  • the correlation method relates to the prediction of a single parameter of the apparatus to be monitored from a parameter of a single second apparatus of the installation
  • the method can be adapted to monitoring one or more parameters of the device to be monitored with a prediction of this or these parameters from one or more parameters of one or more second devices of the installation without leaving the frame of the invention.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Power Engineering (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Debugging And Monitoring (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)

Abstract

Procédé de détection préventive d'une panne d'au moins un appareil à surveiller d'un groupe comprenant au moins deux appareils, l'appareil à surveiller comportant au moins un premier paramètre corrélé avec au moins un deuxième paramètre d'au moins un deuxième appareil du groupe, Lesdits paramètres représentant des variables d'état desdits appareils. Le procédé comportant les étapes suivantes : prédire une valeur du premier paramètre à partir d'une valeur mesurée du deuxième paramètre; comparer la valeur prédite du premier paramètre à une valeur mesurée du premier paramètre; et analyser le résultat de la comparaison effectuée à l'étape de comparaison pour détecter une possibilité de panne. L'invention concerne également un programme d'ordinateur, une installation et un module de détection préventive d'une panne d'un appareil.

Description

PROCEDE DE DETECTION PREVENTIVE D'UNE PANNE D'UN APPAREIL, PROGRAMME D'ORDINATEUR, INSTALLATION ET MODULE DE DETECTION PREVENTIVE D'UNE PANNE D'UN
APPAREIL
DESCRIPTION
DOMAINE TECHNIQUE
L'invention se rapporte au domaine la détection préventive de pannes dans une installation industrielle .
Afin de limiter au maximum les implications des pannes inévitables des appareils d'une installation industrielle il est nécessaire de faire une détection préventive de pannes de ces mêmes appareils. Une telle détection permet de programmer les maintenances préventives pour éviter lesdites pannes, ceci en limitant au maximum les éventuelles implications sur la production de l'installation.
Il est connu de mettre en œuvre dans une installation industrielle, afin de d'obtenir une telle détection, des procédés de détection préventive d'une panne pour au moins une partie des appareils de 1' installation.
L'invention concerne plus particulièrement un procédé de détection préventive d'une panne d'un appareil, un programme d'ordinateur, une installation et un module de détection préventive d'une panne d'un appareil . ÉTAT DE LA TECHNIQUE ANTÉRIEURE
La détection préventive de pannes dans une installation industrielle consiste généralement en une surveillance individuelle de chacun des appareils de l'installation.
Cette surveillance individuelle de chacun des appareils est obtenue au moyen d'un procédé de détection de panne consistant à mesurer un ou plusieurs paramètres de l'appareil pour déterminer si ce, ou ces paramètres sortent d'un schéma de fonctionnement dit normal .
Néanmoins, si un tel procédé peut être adapté pour certains types d'appareils équipant les installations industrielles, il reste tributaire de la connaissance des modes de fonctionnements dits normaux et des modes de fonctionnements défaillants des appareils surveillés. De plus, pour les appareils pour lesquelles ces modes de fonctionnement sont parfaitement connus, la détection d'un mode de fonctionnement défaillant est généralement tardive et rarement préventive. Enfin, un tel procédé de détection est uniquement adapté pour la détection de pannes parfaitement définies liées à des modes de fonctionnement défaillants bien définis. Il n'est donc pas possible de faire une détection d'une panne dont le mode de fonctionnement défaillant de l'appareil n'est pas défini.
EXPOSÉ DE L' INVENTION
La présente invention vise à remédier à ces inconvénients. A cet effet, l'invention concerne un procédé de détection préventive d'une panne d'au moins un appareil à surveiller d'un groupe comprenant au moins deux appareils, l'appareil à surveiller comportant au moins un premier paramètre corrélé avec au moins un deuxième paramètre d'au moins un deuxième appareil du groupe, lesdits paramètres représentant des variables d'état desdits appareils, le procédé comportant les étapes suivantes :
A) prédire une valeur du premier paramètre à partir d'une valeur mesurée du deuxième paramètre,
B) comparer la valeur prédite du premier paramètre à une valeur mesurée du premier paramètre,
C) analyser le résultat de la comparaison effectuée à l'étape B) pour détecter une possibilité de panne .
Un tel procédé permet la détection préventive d'une panne d'un appareil à surveiller en se basant sur les mesures d'au moins un paramètre représentant une valeur d'état d'un deuxième appareil, ce paramètre étant corrélé avec un paramètre de l'appareil à surveiller. Les étapes de prédiction de la valeur du premier paramètre à partir du deuxième paramètre et de comparaison de la valeur du premier paramètre prédite à partir du deuxième paramètre avec une valeur mesurée du premier paramètre permettent de détecter une erreur de corrélation entre le premier paramètre et le deuxième paramètre qui peut être caractéristique d'une future panne de l'appareil à surveiller. En effet, un tel défaut de corrélation apparaît lorsqu'il y a divergence entre la valeur prédite du premier paramètre et une mesure réelle de ce paramètre .
Avantageusement, l'appareil à surveiller et le deuxième appareil sont des appareils redondants.
On entend par appareils redondants, des appareils d'un même type fonctionnant dans l'installation en parallèles.
Un tel procédé est particulièrement adapté pour des appareils redondants présentant une forte corrélation en fonctionnement.
Préfèrentiellement , l'analyse du résultat de la comparaison effectuée à l'étape B) consiste à vérifier s'il existe un défaut de corrélation entre le premier paramètre et le deuxième paramètre à un instant t .
Une telle vérification de l'existence d'un défaut de corrélation permet d'identifier une possibilité de panne qui ne serait pas identifiable par la détection d'un mode de fonctionnement défaillant, les paramètres, pour certaines pannes, pouvant rester dans des limites de valeurs de fonctionnement normales de l'appareil à surveiller.
De manière avantageuse, le procédé comporte en outre une étape consistant à diagnostiquer un type de panne lorsqu'une possibilité de panne est détectée.
Une telle étape permet, lorsqu'il y a détection d'une possible panne, d'en diagnostiquer le type et de prévoir par avance la procédure de maintenance appropriée. Avantageusement, le diagnostic du type de panne consiste à réaliser au moins un test de l'appareil à surveiller.
Préfèrentiellement , la prédiction de la valeur du premier paramètre à partir d'une valeur mesurée du deuxième paramètre est réalisée à partir d'un modèle de prédiction défini par apprentissage préalable d'une relation de cohérence entre des valeurs précédemment mesurées du premier paramètre et du deuxième paramètre.
Un tel modèle de prédiction défini par apprentissage permet d'adapter le modèle quel que soit la relation de cohérence entre le premier et le deuxième paramètre, de sorte qu'il n'est pas nécessaire de connaître précisément la relation de corrélation avant la mise en place du procédé dans une installation industrielle .
Dans un mode de mise en œuvre préféré de l'invention, l'apprentissage préalable est réalisé au moyen d'une méthode d'apprentissage utilisant un système de réseau de neurones.
Un tel système de réseau de neurones est particulièrement adapté pour la mise en place d'une méthode d'apprentissage flexible et adaptable quelle que soit la relation de corrélation entre le premier et le deuxième paramètre.
Selon un autre mode de mise en œuvre de l'invention, l'apprentissage préalable est réalisé au moyen d'une méthode d'apprentissage de type statistique. Une telle méthode d'apprentissage de type statistique permet d'obtenir simplement la relation de corrélation entre le premier et deuxième paramètre.
De manière avantageuse, les étapes A) , B) et C) du procédé selon l'invention sont répétées systématiquement tant qu'aucun défaut de corrélation entre le premier paramètre et le deuxième paramètre n'est détecté.
La répétition des étapes A) , B) et C) permet d'effectuer une surveillance continue et en temps réelle de l'appareil à surveiller offrant ainsi une détection précoce d'une possibilité de panne de l'appareil à surveiller.
Dans une première variante de l'invention, le modèle de prédiction défini pour un instant t donné est corrigé régulièrement en fonction des valeurs du premier et du deuxième paramètre mesurées à un instant précédent l'instant t.
Cette correction du modèle permet de corriger les dérives lentes de la relation de corrélation entre le premier et le deuxième paramètre limitant ainsi les risques d'une détection intempestive d'une possibilité de panne qui serait liée a cette dérive et non à un réel risque de panne de l'appareil.
Dans une autre variante de l'invention le modèle de prédiction défini pour un instant t donné est corrigé systématiquement en fonction des valeurs du premier et du deuxième paramètre mesurées à un instant précédent l'instant t.
Dans une application particulière du procédé selon l'invention, au moins un appareil du groupe est un transformateur de puissance isolé à l'huile ou un redresseur de puissance.
L'invention concerne également un programme d'ordinateur destiné à mettre en œuvre le procédé selon l'invention lorsqu'il est exécuté sur un ordinateur, le programme d'ordinateur comportant des instructions pour réaliser les étapes suivantes:
A) prédire une valeur du premier paramètre à partir d'une valeur mesurée du deuxième paramètre,
B) comparer la valeur prédite du premier paramètre à une valeur mesurée du premier paramètre ,
C) analyser le résultat de la comparaison de l'étape pour détecter une possibilité de panne par B.
Un tel programme en offrant la possibilité de la mise en œuvre d'un procédé de détection préventive de panne, permet lorsqu'il est mis en œuvre dans une installation, une détection de panne préventive limitant les implications qu'une telle panne pourrait avoir sur la production de l'installation.
L'invention concerne également une installation comportant un groupe d'au moins deux appareils, un appareil à surveiller, comportant au moins un premier paramètre corrélé avec au moins un deuxième paramètre d'au moins un deuxième appareil du groupe, lesdits paramètres représentant des variables d'état desdits appareils, ladite installation étant caractérisée en ce qu'elle comporte en outre : un système d'acquisition adapté pour mesurer le premier et le deuxième paramètre,
un module de traitement communiquant avec le système d'acquisition et adapté pour prédire une valeur du premier paramètre à partir d'une valeur mesurée du deuxième paramètre et pour comparer la valeur prédite du premier paramètre avec une valeur mesurée de ce premier paramètre,
un module de décision adapté pour analyser le résultat de la comparaison de la valeur prédite du premier paramètre et de la valeur mesurée dudit premier paramètre afin de détecter une possibilité de panne.
Une telle installation permet une production avec un risque limité de panne.
Avantageusement, l'installation peut comporter en outre un module de diagnostic communiquant avec le système de traitement, et adapté pour déterminer le type de panne.
Un tel module de diagnostic permet de déterminer le type de la panne détectée.
Selon une application particulière au moins un appareil du groupe est un transformateur de puissance isolé à l'huile ou un redresseur de puissance.
L'invention concerne également un module de détection préventive d'une panne adapté pour détecter un défaut de corrélation entre au moins deux paramètres représentant respectivement des variables d'état d'un premier appareil à surveiller et d'un deuxième appareil appartenant tous deux à un groupe d'appareils montés sur une installation selon l'invention et ledit module comportant :
- des moyens de prédiction pour prédire une valeur du premier paramètre à partir d'une valeur mesurée du deuxième paramètre,
- des moyens de comparaison pour comparer la valeur prédite du premier paramètre avec une valeur mesurée de ce même premier paramètre et,
des moyens d'analyse pour analyser le résultat de la comparaison réalisée par les moyens de comparaison afin de détecter une possibilité de panne.
Un tel module, peut être aussi bien un programme d'ordinateur qu'un automate présentant lesdits moyens.
Un tel module permet une détection préventive d'une panne lorsqu'il est mis en œuvre dans une installation selon l'invention.
BRÈVE DESCRIPTION DES DESSINS
La présente invention sera mieux comprise à la lecture de la description d'exemples de réalisation, donnés à titre purement indicatif et nullement limitatif, en faisant référence aux dessins annexés sur lesquels :
- la figure 1 illustre schématiquement un module de détection préventive d'une panne ,
- la figure 2 illustre un organigramme schématisant les étapes principales d'un procédé selon l'invention, - la figure 3 illustre un exemple d'installation sur laquelle un procédé selon l'invention a été mis en œuvre,
- la figure 4 illustre deux graphiques des paramètres mesurées et d'un paramètre prédit lors de la mise en œuvre d'un procédé selon l'invention sur l'installation illustrée sur la figure 3 pendant laquelle aucune possibilité de panne n'est détectée,
- la figure 5 est un graphique montrant la variation comparée du paramètre de l'appareil à surveiller et de la valeur prédite de ce même paramètre pour la mise en œuvre d'un procédé selon l'invention sur une installation telle qu'illustrée sur la figure 3 et pour laquelle une possibilité de panne est détectée à l'instant td.
EXPOSÉ DÉTAILLÉ DE MODES DE RÉALISATION PARTICULIERS
L'invention se rapporte à un procédé de détection préventive d'une panne d'un appareil à surveiller d'une installation.
L'appareil à surveiller est un premier appareil d'un groupe d'au moins deux appareils de l'installation. L'appareil à surveiller présente au moins une variable d'état dont la valeur est un premier paramètre. Au moins un deuxième appareil du groupe présente une variable d'état dont la valeur est un deuxième paramètre. L'appareil à surveiller et le deuxième appareil du groupe sont agencés dans l'installation de manière telle qu'en fonctionnement le premier paramètre et le deuxième paramètre soient reliés par une relation de corrélation. Ainsi on entend par une telle relation de corrélation que le premier paramètre est corrélé au deuxième paramètre.
Selon une variante préférée de l'invention, l'appareil à surveiller et le deuxième appareil du groupe sont deux appareils redondants dans l'installation. Ainsi du fait de cette redondance, il existe une relation de corrélation simple entre le premier paramètre et le deuxième paramètre dans la mesure où l'appareil à surveiller et le deuxième appareil du groupe présentent des conditions de fonctionnement similaires.
Selon cette variante, le premier paramètre et le deuxième paramètre représentent la valeur d'une même variable d'état respectivement de l'appareil à surveiller et du deuxième appareil du groupe.
Le premier et le deuxième paramètre peuvent également représenter deux variables de fonctionnement ou d'état différentes, respectivement de l'appareil à surveiller et du deuxième appareil du groupe, liées par une relation de corrélation directe ou indirecte. Une telle relation de corrélation est par exemple la relation qui peut exister entre une température de l'appareil à surveiller et la puissance électrique consommée par le deuxième appareil. ou encore une pression d'un vérin de l'appareil à surveiller et un débit de gaz du deuxième appareil.
Selon une autre variante de l'invention, l'appareil à surveiller et le deuxième appareil du groupe sont deux appareils de l'installation non redondants. Selon cette variante, le premier et le deuxième paramètre peuvent être liés par une relation de corrélation en raison d'une relation de cause à effet, liée par exemple à ce que l'appareil à surveiller et le deuxième appareil sont positionnés dans une même chaîne de fabrication, ou mis dans des conditions de fonctionnement identiques, l'appareil à surveiller et le deuxième appareil du groupe pouvant, par exemple, être soumis à des perturbations électromagnétiques identiques.
Pour permettre la mise en œuvre du procédé de détection préventive d'une panne de l'appareil à surveiller, l'installation comporte en outre, comme illustré sur la figure 1 :
un système d'acquisition 10 adapté pour mesurer le premier et le deuxième paramètre,
- un module de traitement 21 communiquant avec le système d'acquisition 10 et adapté pour prédire une valeur du premier paramètre à partir d'une valeur mesurée du deuxième paramètre et pour comparer la valeur prédite du premier paramètre avec une valeur mesurée de ce même premier paramètre,
un module de décision 25 adapté pour analyser le résultat de la comparaison de la valeur prédite du premier paramètre et de la valeur mesurée dudit premier paramètre afin de détecter une possibilité de panne,
un module de diagnostic 30 adapté pour diagnostiquer le type de panne lorsque le module de décision détecte une possibilité de panne.
Le système d'acquisition 10, le module de traitement 22, le module de décision 25 et le module de diagnostic 30 peuvent être aussi bien des programmes ou sous programmes d'ordinateur exécutés par un ordinateur, des automates ou parties d'automates, ou une combinaison hybride de programmes d'ordinateur et de dispositifs électroniques ceci sans que l'on sorte du cadre de l'invention.
Le système d'acquisition 10 est adapté pour réaliser les mesures du premier et du deuxième paramètre. On entend par une telle adaptation que le système d'acquisition 10 comprend à cette effet des moyens de mesures, tels que des capteurs des variables d'états correspondant audits paramètres, ou que le système d'acquisition est en communication avec les appareils correspondant de manière à récupérer les valeurs des variables d'états correspondantes.
Préfèrentiellement , le système d'acquisition 10 est adapté pour réaliser la mesure du premier et du deuxième paramètre sensiblement simultanément. Néanmoins, il est également envisageable que le système d'acquisition 10 réalise la mesure du premier et du deuxième paramètre avec un décalage temporel. Avantageusement, ce décalage temporel est inférieur à un temps donné qui est caractéristique de la dynamique de variation des variables d'état correspondant aux premier et deuxième paramètres de manière à permettre la détermination la relation corrélation .
En fonctionnement, le système d'acquisition 10 fournis au module de traitement 21 les valeurs du premier et du deuxième paramètre.
Une partie 22, dite de prédiction, du module de traitement 21 est adaptée pour déterminer une valeur prédite du premier paramètre à partir de la valeur du deuxième paramètre. Cette valeur prédite est préfèrentiellement déterminée à partir d'un modèle correspondant à la relation de corrélation entre le premier paramètre et le deuxième paramètre.
Selon un mode de mise en œuvre préférée de l'invention, le modèle est obtenu par une méthode d'apprentissage qui par exemple utilise un système de réseau de neurones ou est du type statistique. Une telle méthode consiste à la mise en œuvre d'une phase préalable d'apprentissage par le module. Une telle phase d'apprentissage comporte notamment la détermination d'une relation de corrélation entre des valeurs précédemment mesurées du premier paramètre et du deuxième paramètre et la détermination d'un modèle de prédiction qui utilise la relation de corrélation déterminée par apprentissage. Avec une telle possibilité il n'est donc pas nécessaire de connaître préalablement la relation de corrélation entre le premier et le deuxième paramètre.
Les méthodes d'apprentissage, qu'elles utilisent un système de réseau de neurone ou qu'elles soient du type statistique, étant connues de l'homme du métier, ne sont pas décrites plus en avant dans ce document.
Selon ce même mode de mise en œuvre préférée de l'invention, la partie de prédiction 22 est adaptée pour corriger régulièrement le modèle de prédiction en dehors de la phase d'apprentissage, le modèle de prédiction étant mis à jour à un instant t en fonction de valeurs mesurées du premier et du second paramètres à un ou plusieurs instants précédents l'instant t.
La partie de prédiction 22 forme des moyens de prédiction.
Une partie 23 du module de traitement 21, dite de comparaison, est adaptée pour comparer la valeur prédite, fournie par la partie de prédiction 22, avec une valeur mesurée du premier paramètre. La valeur prédite est comparée avec une valeur mesurée du premier paramètre. La valeur du premier paramètre mesurée à laquelle est comparée la valeur prédite est une valeur du premier paramètre qui est mesurée sensiblement simultanément, ou avec le décalage temporelle, à celle du deuxième paramètre à partir duquel est prédite la valeur prédite.
La comparaison consiste, par exemple, à déterminer la différence entre la valeur prédite et la valeur mesurée du premier paramètre ou encore à mesurer un rapport entre la valeur prédite et la valeur mesurée du premier paramètre.
La partie de comparaison 23 forme des moyens de comparaison.
Le module d'analyse 25 communique avec le module de traitement 21 et est adapté pour analyser le résultat de la comparaison entre la valeur prédite et la valeur mesurée du premier paramètre effectuée par le module de traitement 21. Cette analyse consiste à vérifier s'il existe un défaut de corrélation entre le premier paramètre et le deuxième paramètre à un instant t. La présence d'un tel défaut de corrélation est caractéristique d'une possibilité de panne de l'appareil à surveiller.
Dans le cas où, la comparaison consiste à déterminer la différence entre la valeur prédite et la valeur mesurée du premier paramètre, l'analyse et la détection d'un défaut de corrélation consistent à déterminer si cette différence est supérieure en valeur absolue à un seuil prédéterminé pour détecter une possibilité de panne.
Dans le cas où la comparaison consiste à mesurer un rapport entre la valeur prédite et la valeur mesurée du premier paramètre, l'analyse et la détection d'un défaut de corrélation consistent à déterminer si ledit rapport est significativement éloigné de l'unité.
Le module d'analyse 25 forme des moyens d ' analyse .
Le module de traitement 21 et le module d'analyse 25 peuvent être agencés de manière à former un module de détection 20 préventive d'une panne.
Le module de diagnostic 30 communique avec le module d'analyse 25 et est adapté pour effectuer, si nécessaire un ou plusieurs tests de l'appareil à surveiller et pour, à partir du résultat de la comparaison de la valeur prédite et de la valeur mesurée du premier paramètre, et à partir du résultat du, ou des tests, déterminer le type de la panne qui est encouru par l'appareil à surveiller.
Ainsi le module de diagnostic 30 forme des moyens diagnostics adaptés pour déterminer le type de panne. L'installation est adaptée pour la mise en œuvre d'un procédé de détection préventive d'une panne, un tel procédé comporte trois phases différentes :
une phase d'apprentissage L) ,
- une phase de détection A) , B) , C) , et une phase de diagnostic D) , La phase de d'apprentissage, mise en œuvre au moyen du système d'acquisition 10 et du module de traitement 21 consiste à la détermination d'un modèle de prédiction par apprentissage. Une telle phase d'apprentissage L) peut comporter les étapes consistant à :
- mesurer, au moyen du système d'acquisition pendant un temps tdf dit d'apprentissage, les valeurs du premier et du deuxième paramètre,
déterminer un modèle de prédiction par, par exemple, une méthode d'apprentissage utilisant un réseau de neurones ou du type statistique, à partir des valeurs du premier et du deuxième paramètre mesurées pendant le temps td d ' apprentissage .
Il est à noter que selon un mode particulier de l'invention, le procédé de détection peut ne pas comporter de phase d'apprentissage, la prédiction se faisant, dans ce cas selon un modèle de prédiction préalablement déterminé lors de la mise en place de l'installation.
Dans le cas où le procédé comporte une phase d'apprentissage, une fois cette phase d'apprentissage L) effectuée et le modèle de prédiction déterminé. La phase de surveillance est mise en œuvre par le système d'acquisition 10, le module de traitement 21 et le module d'analyse 25.
La phase de surveillance comprend les étapes suivantes :
A) prédire une valeur du premier paramètre à partir d'une valeur mesurée du deuxième paramètre,
B) comparer la valeur prédite du premier paramètre à une valeur mesurée du premier paramètre,
C) analyser le résultat de la comparaison effectuée à l'étape B) pour détecter une possibilité de panne .
L'étape A) peut comporter les sous étapes consistant à mesurer les valeurs du premier et deuxième paramètre à un instant t et à prédire une valeur du premier paramètre sur à partir du modèle de prédiction et de la valeur mesuré du deuxième paramètre.
Selon le mode de réalisation dans lequel la partie de prédiction 22 est adaptée pour régulièrement corriger le modèle de prédiction, l'étape A) comporte en outre une sous étape, qui peut être réalisée systématiquement ou régulièrement, et qui consiste à corriger le modèle de prédiction déterminé pendant la phase d'apprentissage L) en fonction des valeurs du premier et du deuxième paramètre mesurées à un instant précédent l'instant t.
Pendant la phase de surveillance, les étapes A) , B) et C) sont répétées systématiquement tant qu'aucune possibilité de panne n'est détectée.
Lorsqu'une possibilité de panne est détectée à l'étape C) , la phase de diagnostic D) est mise en œuvre au moyen du module de diagnostic 30. La phase de diagnostic D) consiste à :
Mettre en œuvre au moins un test de l'appareil à surveiller,
Analyser le résultat du test et de la comparaison réalisée à l'étape B) de la phase de surveillance, afin de déterminer le type de la panne détectée .
Selon un mode de réalisation préférée de l'invention, la phase de diagnostic D) comporte une étape préalable de choix d'un ou plusieurs tests parmi une batterie de tests ; le choix du ou des tests étant réalisé sur à partir de la comparaison réalisée à l'étape B) de la phase de surveillance.
Préfèrentiellement , la phase de diagnostic D) comporte également une phase d'alarme et de communication de la possible panne détectée, cette phase consistant à informer de la détection d'une panne et du type de panne encourue par l'appareil à surveiller .
Selon une autre variante de l'invention, le procédé peut ne pas comporter de phase de diagnostic. Dans ce cas, l'étape C) d'analyse comporte une étape de communication qui, si une possible panne est détectée, indique qu'une possible panne est détectée et qu'il est donc nécessaire de faire intervenir un technicien afin de diagnostiquer le type de la panne détectée.
Exemple 1 :
Le procédé peut par exemple être mis en œuvre dans une installation d'alimentation d'un groupe d ' électrolyse d'aluminium, telle qu'illustrée sur la figure 3. Une telle installation est adaptée pour fournir la puissance nécessaire pour la réalisation de 1 ' électrolyse . L'installation comporte à cette effet quatre groupes d'appareils comportant chacun un premier transformateurs de puissance Hl, H2, H3, H4, un système de filtrage électrique Fl, F2, F3, F4, un deuxième transformateur Gl, G2, G3 et G4 de puissance, dit redresseur, et deux redresseurs RI, RI', R2, R2 ' , R3, R3 ' , R4 et R4 ' .
Dans une telle installation chacun des transformateurs redresseurs Gl, G2, G3 et G4 est un transformateur isolé à l'huile et la valeur d'état considérée est la température de l'huile servant à isoler ledit transformateur.
Les transformateurs redresseurs Gl, G2, G3 et G4 sont des transformateurs similaires placés en parallèle et soumis à des conditions identiques. De ce fait, ils sont redondants et leurs valeurs d'état présentent donc des variations similaires. Les paramètres, représentant les valeurs d'état des transformateurs, telles que par exemple la température de l'huile, sont donc corrélés entre eux.
Le procédé de détection préventive de panne est donc mis en œuvre sur une telle installation, l'appareil à surveiller étant le transformateur G4, le premier paramètre étant la température T4 de l'huile du transformateur G4, les deuxièmes appareils étant les transformateurs redresseurs Gl, G2 et G3, et les deuxièmes paramètres les température Tl, T2 et T3 de respectivement les transformateurs redresseurs Gl, G2 et G3. Tl T2 T3 T4 T ^prédit
Tl 1
T2 0, 87921435 1
T3 0, 86503341 0, 86350753 1
T4 0, 85206744 0, 86972233 0,92700625 1
T 0, 9207585 0, 91936226 0, 97348029 0, 93331393 1
Tableau 1 : Matrice de corrélation des températures des transformateurs Gl, G2, G3, G4 et de la température prédite de G4 Le tableau ci-dessus montre la matrice de corrélation qui est obtenue lors de la réalisation de la phase d'apprentissage L) à partir d'une méthode d'apprentissage basée sur un réseau de neurones à quatre entrées. Une telle matrice montre, par la proximité des valeurs avec la valeur 1, une forte corrélation entre les valeurs Tl, T2, T3 et T4.
Lors de cette phase d'apprentissage, un modèle de prédiction est établi permettant de prédire la valeur T4 en fonction des valeurs Tl, T2 et T3. Pour vérifier le bon fonctionnement de la prédiction, une valeur T4prédit est prédite à chaque instant t de la phase d'apprentissage L) à partir des valeurs Tl, T2 et T3. Le tableau 1 montre également la valeur de corrélation entre T4 et T4prédit. La valeur de 0, 93331393 de corrélation entre la valeur de T4 et la valeur de T4prédit indique une bonne correspondance entre le modèle de prédiction établi et les mesures de T4.
La figure 4 illustre les résultats obtenus lors de la mise en œuvre du procédé sur une telle installation. La partie supérieure de la figure 4 présente un graphique montrant la variation des valeurs d'entrée que sont Tl, T2 et T3, tandis que la partie inférieure de la figure 4 illustre l'étape de comparaison entre T4 et T4prédit-
Les variations des températures Tl, T2 et T3, illustrées sur la partie basse de la figure 4, sont similaires entre elles. Néanmoins, ces variations, en raison de mult idépendances à des paramètres comme les surfaces à traiter par électrolyse, la température extérieure et les changements d'électrodes... ne peuvent pas être simplement modélisées. Il n'est donc pas possible de déterminer aisément, pour chacune de ces températures Tl, T2 et T3, un mode de fonctionnement dit normal qui permettrait de détecter, par la sortie de la température de mode ce mode de fonctionnement, une possible panne. Cette constatation est identique pour la température T4.
La mise en œuvre de la phase de vérification est illustrée sur la partie inférieure de la figure 4 par le graphique illustrant la variation de T4prédit et par la différence calculée entre T4 et T 4prédit ·
Ainsi lors de la mise en œuvre de la phase de vérification, ceci sur une durée de 18 jours, on peut constater que la différence calculée entre T4 et T4prédit reste inférieure à 2°C. Le procédé de surveillance, sur une installation ne présentant pas de possibilité de panne, permet de prédire la température de l'appareil à surveiller avec une résolution suffisante pour détecter toute erreur de corrélation qui pourrait être liée à un défaut de l'appareil à surveiller qui pourrait entraîner une panne. La figure 5 illustre une telle détection d'une erreur de corrélation. Le graphique de la figure 5 est réalisé dans des conditions identiques et sur la même installation que le graphique présent sur la partie inférieure de la figure 4. Dans la première partie du graphique, avant l'instant td, la différence de valeur entre T4 et T4prédit reste faible, ces deux valeurs présentant des variations similaire. A l'instant td, on observe une augmentation 99 soudaine de la température T4 qui n'est pas présentée par T4Prédit - Il en résulte une augmentation de la différence entre T4 et T4prédit gui, en dépassant sensiblement la barre des 10°C, induit la détection d'une anomalie de l'appareil à surveiller. Une telle anomalie, étant un défaut de corrélation, est analysée lors de l'étape d'analyse comme un indice d'une présence d'une possibilité de panne. Cette possible panne de l'appareil à surveiller est ensuite confirmée et identifiée lors de la mise en œuvre de la phase de diagnostique D) .
Si dans le mode réalisation décrit ci- dessus le procédé de corrélation concerne la prédiction d'un seul paramètre de l'appareil à surveiller à partir d'un paramètre d'un seul deuxième appareil de l'installation, le procédé peut être adapté pour la surveillance d'un ou plusieurs paramètres de l'appareil à surveiller avec une prédiction de ce ou ces paramètres à partir d'un ou plusieurs paramètre d'un ou plusieurs deuxièmes appareils de l'installation ceci sans que l'on sorte du cadre de l'invention.

Claims

REVENDICATIONS
1. Procédé de détection préventive d'une panne d'au moins un appareil à surveiller d'un groupe comprenant au moins deux appareils, l'appareil à surveiller comportant au moins un premier paramètre (T4) corrélé avec au moins un deuxième paramètre (Tl, T2, T3) d'au moins un deuxième appareil du groupe, lesdits paramètres représentant des variables d'état desdits appareils, le procédé étant caractérisé en ce qu' il comporte les étapes suivantes :
A) prédire une valeur du premier paramètre (T4prédit) à partir d'une valeur mesurée du deuxième paramètre (Tl, T2, T3),
B) comparer la valeur prédite du premier paramètre (T4prédit) à une valeur mesurée du premier paramètre ( 4 ) ,
C) analyser le résultat de la comparaison effectuée à l'étape B) pour détecter une possibilité de panne.
2. Procédé selon la revendication 1 dans lequel l'analyse du résultat de la comparaison effectuée à l'étape B) consiste à vérifier s'il existe un défaut de corrélation entre le premier paramètre (T4) et le deuxième paramètre (Tl, T2, T3) à un instant t .
3. Procédé selon la revendication 1 comportant en outre une étape consistant à diagnostiquer un type de panne lorsqu'une possibilité de panne est détectée.
4. Procédé selon la revendication 3, dans lequel le diagnostic du type de panne consiste à réaliser au moins un test de l'appareil à surveiller.
5. Procédé selon la revendication 1, dans lequel la prédiction de la valeur du premier paramètre (T4) à partir d'une valeur mesurée du deuxième paramètre (Tl, T2, T3) est réalisée à partir d'un modèle de prédiction défini par apprentissage préalable d'une relation de cohérence entre des valeurs précédemment mesurées du premier paramètre (T4) et du deuxième paramètre (Tl, T2, T3) .
6. Procédé selon la revendication 5, dans lequel l'apprentissage préalable est réalisé au moyen d'une méthode d'apprentissage utilisant un système de réseau de neurones.
7. Procédé selon la revendication 5, dans lequel l'apprentissage préalable est réalisé au moyen d'une méthode d'apprentissage de type statistique.
8. Procédé selon la revendication 2, dans lequel les étapes A) , B) et C) sont répétées systématiquement tant qu'aucun défaut de corrélation entre le premier paramètre (T4) et le deuxième paramètre n'est détecté (Tl, T2, T3).
9. Procédé selon la revendication 5 dans lequel le modèle de prédiction défini pour un instant t donné est corrigé régulièrement en fonction des valeurs du premier et du deuxième paramètre (T4, Tl, T2, T3) mesurées à un instant précédent l'instant t.
10. Procédé selon l'une quelconque des revendications précédentes, caractérisé en ce que au moins un appareil du groupe est un transformateur (Hl, H2, H3, H4, Gl, G2, G3 et G4) de puissance isolés à l'huile ou un redresseur de puissance (RI, R2, R2, R4) .
11. Programme d'ordinateur destiné à mettre en œuvre le procédé selon l'une quelconque des revendications précédentes lorsqu'il est exécuté sur un ordinateur, caractérisé en ce qu' il comporte des instructions pour réaliser les étapes suivantes:
A) prédire une valeur du premier paramètre (T4) à partir d'une valeur mesurée du deuxième paramètre (Tl, T2, T3),
B) comparer la valeur prédite du premier paramètre (T4prédit) à une valeur mesurée du premier paramètre (T4),
C) analyser le résultat de la comparaison de l'étape pour détecter une possibilité de panne par B.
12. Installation comportant un groupe d'au moins deux appareils, un appareil à surveiller, comportant au moins un premier paramètre (T4) corrélé avec au moins un deuxième paramètre (Tl, T2, T3) d'au moins un deuxième appareil du groupe, lesdits paramètres (Tl, T2, T3, T4) représentant des variables d'état desdits appareils, ladite installation étant caractérisée en ce qu'elle comporte en outre :
- un système d'acquisition (10) adapté pour mesurer le premier et le deuxième paramètre (Tl, T2, T3, T4),
un module de traitement (21) communiquant avec le système d'acquisition et adapté pour prédire une valeur du premier paramètre (T4) à partir d'une valeur mesurée du deuxième paramètre (Tl, T2, T3) et pour comparer la valeur prédite du premier paramètre (T4prédit) avec une valeur mesurée de ce premier paramètre (T4),
- un module de décision (25) adapté pour analyser le résultat de la comparaison de la valeur prédite du premier paramètre (T4prédit) et de la valeur mesurée dudit premier paramètre (T4) afin de détecter une possibilité de panne.
13. Installation selon la revendication 12, comportant en outre un module de diagnostic (30) communiquant avec le système de traitement, et adapté pour déterminer le type de panne.
14. Installation selon la revendication 12, caractérisé en ce qu'au moins un appareil du groupe est un transformateur (Hl, H2, H3, H4, Gl, G2, G3 et G4) de puissance isolé à l'huile ou un redresseur de puissance (RI, R2, R2, R4) .
15. Module de détection (20) préventive d'une panne, caractérisé en ce qu'il est adapté pour détecter un défaut de corrélation entre au moins deux paramètres (Tl, T2, T3, T4) représentant respectivement des variables d'état d'un appareil à surveiller et d'un deuxième appareil appartenant tous deux à un groupe d'appareils montés sur une installation selon la revendication 12 et en que ledit module comporte :
- des moyens de prédiction pour prédire une valeur du premier paramètre (T4) à partir d'une valeur mesurée du deuxième paramètre (Tl, T2, T3),
- des moyens de comparaison pour comparer la valeur prédite du premier paramètre (T4prédit) avec une valeur mesurée de ce même premier paramètre (T4) et ,
des moyens d'analyse pour analyser le résultat de la comparaison réalisée par les moyens de comparaison afin de détecter une possibilité de panne.
EP12775476.0A 2011-10-17 2012-10-16 Procede de detection preventive d'une panne d'un appareil, programme d'ordinateur, installation et module de détection préventive d'une panne d'un appareil Ceased EP2769303A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1159360A FR2981474B1 (fr) 2011-10-17 2011-10-17 Procede de detection preventive d'une panne d'un appareil, programme d'ordinateur, installation et module de detection preventive d'une panne d'un appareil
PCT/EP2012/070455 WO2013057085A1 (fr) 2011-10-17 2012-10-16 Procede de detection preventive d'une panne d'un appareil, programme d'ordinateur, installation et module de détection préventive d'une panne d'un appareil

Publications (1)

Publication Number Publication Date
EP2769303A1 true EP2769303A1 (fr) 2014-08-27

Family

ID=47049152

Family Applications (1)

Application Number Title Priority Date Filing Date
EP12775476.0A Ceased EP2769303A1 (fr) 2011-10-17 2012-10-16 Procede de detection preventive d'une panne d'un appareil, programme d'ordinateur, installation et module de détection préventive d'une panne d'un appareil

Country Status (6)

Country Link
US (1) US9664725B2 (fr)
EP (1) EP2769303A1 (fr)
CA (1) CA2851124C (fr)
FR (1) FR2981474B1 (fr)
RU (1) RU2628146C2 (fr)
WO (1) WO2013057085A1 (fr)

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102016008987B4 (de) * 2015-07-31 2021-09-16 Fanuc Corporation Maschinenlernverfahren und Maschinenlernvorrichtung zum Lernen von Fehlerbedingungen, und Fehlervorhersagevorrichtung und Fehlervorhersagesystem, das die Maschinenlernvorrichtung einschließt
CN106423611A (zh) * 2016-10-14 2017-02-22 深圳万发创新进出口贸易有限公司 一种等离子喷涂设备用无水切断保护系统
FR3060803B1 (fr) 2016-12-20 2021-12-10 Ondilo Procede pour maintenir un equilibre d'un parametre physico-chimique d'un milieu, produit programme d'ordinateur et moyen electronique associes
US11054342B2 (en) * 2017-02-20 2021-07-06 Lifewhere, Llc System for abnormal condition detection using nearest neighbor
FR3074590B1 (fr) 2017-12-04 2023-03-17 Soc Air France Methode de prediction d'une anomalie de fonctionnement d'un ou plusieurs equipements d'un ensemble
US10396897B1 (en) * 2018-04-17 2019-08-27 General Electric Company Systems and methods for predicting defects in optical transceiver devices
DE102018121270B4 (de) 2018-08-31 2023-12-21 Volkswagen Aktiengesellschaft Diagnoseverfahren, Diagnosesystem und Kraftfahrzeug
RU2714219C1 (ru) 2018-09-14 2020-02-13 Общество С Ограниченной Ответственностью "Яндекс" Способ и система для планирования передачи операций ввода/вывода
RU2731321C2 (ru) 2018-09-14 2020-09-01 Общество С Ограниченной Ответственностью "Яндекс" Способ определения потенциальной неисправности запоминающего устройства
RU2718215C2 (ru) 2018-09-14 2020-03-31 Общество С Ограниченной Ответственностью "Яндекс" Система обработки данных и способ обнаружения затора в системе обработки данных
RU2714602C1 (ru) 2018-10-09 2020-02-18 Общество С Ограниченной Ответственностью "Яндекс" Способ и система для обработки данных
RU2721235C2 (ru) 2018-10-09 2020-05-18 Общество С Ограниченной Ответственностью "Яндекс" Способ и система для маршрутизации и выполнения транзакций
RU2711348C1 (ru) 2018-10-15 2020-01-16 Общество С Ограниченной Ответственностью "Яндекс" Способ и система для обработки запросов в распределенной базе данных
RU2714373C1 (ru) 2018-12-13 2020-02-14 Общество С Ограниченной Ответственностью "Яндекс" Способ и система для планирования выполнения операций ввода/вывода
RU2749649C2 (ru) 2018-12-21 2021-06-16 Общество С Ограниченной Ответственностью "Яндекс" Способ и система для планирования обработки операций ввода/вывода
RU2720951C1 (ru) 2018-12-29 2020-05-15 Общество С Ограниченной Ответственностью "Яндекс" Способ и распределенная компьютерная система для обработки данных
RU2746042C1 (ru) 2019-02-06 2021-04-06 Общество С Ограниченной Ответственностью "Яндекс" Способ и система для передачи сообщения
CN110287640B (zh) * 2019-07-03 2023-10-13 辽宁艾特斯智能交通技术有限公司 照明设备的寿命预估方法、装置、存储介质及电子设备
RU2719507C1 (ru) * 2019-12-16 2020-04-20 федеральное государственное бюджетное образовательное учреждение высшего образования "Санкт-Петербургский горный университет" Способ оценки технического состояния потребителя-регулятора на основе нейросетевого диагностирования
KR20230061480A (ko) * 2021-04-09 2023-05-08 히타치 에너지 스위처랜드 아게 진단 파라미터 예측 에러의 변동을 이용한 전기 장비의 상태 결정
CN117991704A (zh) * 2024-02-05 2024-05-07 河北固基机械设备有限公司 控制柜故障预警系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2202600A2 (fr) * 2008-12-23 2010-06-30 EMBRAER - Empresa Brasileira de Aeronáutica S.A. Surveillance de la performance et pronostic pour vannes de contrôle pneumatiques d'avion

Family Cites Families (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SU1629898A1 (ru) * 1989-01-27 1991-02-23 Горьковский Политехнический Институт Устройство дл диагностики и прогнозировани отказов
US5594180A (en) * 1994-08-12 1997-01-14 Micro Motion, Inc. Method and apparatus for fault detection and correction in Coriolis effect mass flowmeters
DE69729981T2 (de) * 1996-05-28 2004-12-16 Honda Giken Kogyo K.K. Gerät zur Steuerung des Luft/Kraftstoffverhältnisses, das ein neuronales Netzwerk benutzt
US5754963A (en) * 1996-07-30 1998-05-19 Hitachi America, Ltd. Method and apparatus for diagnosing and isolating faulty sensors in a redundant sensor system
US6073262A (en) * 1997-05-30 2000-06-06 United Technologies Corporation Method and apparatus for estimating an actual magnitude of a physical parameter on the basis of three or more redundant signals
DE19801177C2 (de) * 1998-01-15 2000-04-13 Jochen Pischel Verfahren zum Zuteilen von industriellen oder technologischen Ressourcen in technischen Systemen
US6345369B1 (en) * 1998-11-12 2002-02-05 International Business Machines Corporation Environmental and power error handling extension and analysis for systems with redundant components
US6459901B1 (en) * 1999-07-01 2002-10-01 At&T Corp. Wireless network resource allocation
US6898554B2 (en) * 2000-06-12 2005-05-24 Scientific Monitoring, Inc. Fault detection in a physical system
US6487847B1 (en) * 2000-11-03 2002-12-03 General Electric Company Gas turbine engine fuel control system
US6615146B1 (en) * 2000-11-22 2003-09-02 International Business Machines Corporation Failure detection of an isolation device with PFA signal generation in a redundant power supply system
US6859739B2 (en) * 2001-01-19 2005-02-22 Smartsignal Corporation Global state change indicator for empirical modeling in condition based monitoring
JP2005518178A (ja) * 2002-02-13 2005-06-16 コンティネンタル・テーベス・アクチエンゲゼルシヤフト・ウント・コンパニー・オッフェネ・ハンデルスゲゼルシヤフト 電動機のエラー検出方法
US6892163B1 (en) * 2002-03-08 2005-05-10 Intellectual Assets Llc Surveillance system and method having an adaptive sequential probability fault detection test
US7552005B2 (en) * 2004-03-16 2009-06-23 Honeywell International Inc. Method for fault diagnosis of a turbine engine
US7415328B2 (en) * 2004-10-04 2008-08-19 United Technologies Corporation Hybrid model based fault detection and isolation system
US7751921B2 (en) * 2004-12-28 2010-07-06 Tokyo Electron Limited Semiconductor manufacturing apparatus, method of detecting abnormality, identifying cause of abnormality, or predicting abnormality in the semiconductor manufacturing apparatus, and storage medium storing computer program for performing the method
US7280941B2 (en) * 2004-12-29 2007-10-09 General Electric Company Method and apparatus for in-situ detection and isolation of aircraft engine faults
US7277823B2 (en) * 2005-09-26 2007-10-02 Lockheed Martin Corporation Method and system of monitoring and prognostics
US7256605B2 (en) * 2005-11-14 2007-08-14 Semiconductor Components Industries, L.L.C. Diagnostic circuit and method therefor
JP2008004641A (ja) * 2006-06-20 2008-01-10 Toshiba Corp 不良検出システム、不良検出方法及びプログラム
FR2911972B1 (fr) * 2007-01-30 2009-03-27 Hispano Suiza Sa Procede de surveillance de moteurs d'avion
US7900118B2 (en) * 2007-02-12 2011-03-01 Phison Electronics Corp. Flash memory system and method for controlling the same
US8067856B2 (en) * 2008-09-04 2011-11-29 Intel Corporation Power management system
US8375255B2 (en) * 2009-12-23 2013-02-12 At&T Intellectual Property I, Lp Device and method for detecting and diagnosing correlated network anomalies
US8862433B2 (en) * 2010-05-18 2014-10-14 United Technologies Corporation Partitioning of turbomachine faults
US9366451B2 (en) * 2010-12-24 2016-06-14 Commonwealth Scientific And Industrial Research Organisation System and method for the detection of faults in a multi-variable system utilizing both a model for normal operation and a model for faulty operation
US9050894B2 (en) * 2011-07-06 2015-06-09 General Electric Company System and method for predicting mechanical failure of a motor
US9201113B2 (en) * 2012-12-17 2015-12-01 General Electric Company Systems and methods for performing redundancy tests on turbine controls

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2202600A2 (fr) * 2008-12-23 2010-06-30 EMBRAER - Empresa Brasileira de Aeronáutica S.A. Surveillance de la performance et pronostic pour vannes de contrôle pneumatiques d'avion

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
"Fault Detection, Supervision and Safety of Technical Processes 2006", 1 January 2007, OXFORD : ELSEVIER, 2007, GB, ISBN: 978-0-08-044485-7, article PAUL SUNDVALL ET AL: "Fault Detection Using Redundant Navigation Modules", pages: 522 - 527, XP055729524, DOI: 10.1016/B978-008044485-7/50088-9 *
ASAD M MADNI ET AL: "Fault-Tolerant Data Acquisition in Sensor Networks", SYSTEM OF SYSTEMS ENGINEERING, 2007. SOSE '07. IEEE INTERNATIONAL CONFERENCE ON, IEEE, PI, 1 April 2007 (2007-04-01), pages 1 - 6, XP031135452, ISBN: 978-1-4244-1159-7 *
PADILLA M ET AL: "Poisoning fault diagnosis in chemical gas sensor arrays using multivariate statistical signal processing and structured residuals generation", INTELLIGENT SIGNAL PROCESSING, 2007. WISP 2007. IEEE INTERNATIONAL SYMPOSIUM ON, IEEE, PISCATAWAY, NJ, USA, 3 October 2007 (2007-10-03), pages 1 - 6, XP031228507, ISBN: 978-1-4244-0829-0 *
R. DORR ET AL: "Detection, isolation, and identification of sensor faults in nuclear power plants", IEEE TRANSACTIONS ON CONTROL SYSTEMS TECHNOLOGY., vol. 5, no. 1, 1 January 1997 (1997-01-01), US, pages 42 - 60, XP055729518, ISSN: 1063-6536, DOI: 10.1109/87.553664 *
See also references of WO2013057085A1 *
ZEHRA CATALTEPE ET AL: "A ROBUST METHOD TO IDENTIFY FAULTS IN CORRELATED SENSORS INMACHINE CONDITION MONITORING", 4 September 2005 (2005-09-04), pages 1 - 4, XP002628754, Retrieved from the Internet <URL:http://www.eurasip.org/Proceedings/Eusipco/Eusipco2005/defevent/papers/cr2039.pdf> [retrieved on 20110317] *

Also Published As

Publication number Publication date
WO2013057085A1 (fr) 2013-04-25
CA2851124C (fr) 2020-11-03
FR2981474A1 (fr) 2013-04-19
FR2981474B1 (fr) 2013-12-27
RU2014119873A (ru) 2015-11-27
RU2628146C2 (ru) 2017-08-15
CA2851124A1 (fr) 2013-04-25
US20140285212A1 (en) 2014-09-25
US9664725B2 (en) 2017-05-30

Similar Documents

Publication Publication Date Title
CA2851124C (fr) Procede de detection preventive d&#39;une panne d&#39;un appareil, programme d&#39;ordinateur, installation et module de detection preventive d&#39;une panne d&#39;un appareil
EP2169799B1 (fr) Détection directionnelle d&#39;un défaut à la terre
JP6580601B2 (ja) 光学センサを使用したパルスプラズマのモニタリング
FR3067154A1 (fr) Procede d&#39;analyse de tendance et d&#39;ajustement automatique de parametres d&#39;alarme
CA2689615C (fr) Systeme et procede pour porter une detection de defaut en utilisant une annulation de bruit de courant de stator
EP2383856B1 (fr) Identification et détection directionnelle d&#39;un défaut dans un reseau triphase
FR2983529A1 (fr) Methode de surveillance d&#39;un dispositif de commande d&#39;un doseur de carburant d&#39;un turboreacteur
EP3619408A1 (fr) Système et procédé de surveillance d&#39;une turbomachine à détection d&#39;anomalie corrigée par un facteur d&#39;usure
FR2997495A1 (fr) Procede de surveillance de capteurs vibratoires
JP4657880B2 (ja) 端子圧着不良検出装置の圧着不良判定データ作成方法および圧着不良判定データ検査方法
WO2020193780A1 (fr) Procede et dispositif d&#39;estimation du vieillissement d&#39;un composant electronique
KR20170045990A (ko) 기계 상태 모니터링 방법
KR101248232B1 (ko) 병렬 부대설비의 이상 진단 방법 및 시스템
EP3375982A1 (fr) Procédés de détection d&#39;une défaillance dans un brûleur d&#39;une chambre de combustion et systèmes de turbine
FR2605170A1 (fr) Procede et installation de surveillance de l&#39;evolution de l&#39;usure de machines
CN109212041A (zh) 变压器油在线监测装置的远程实时标定方法
FR3044490A1 (fr) Procede et dispositif d&#39;evaluation de l&#39;energie produite par un arc electrique dans une installation photovoltaique
EP1193020A1 (fr) Procédé de diagnostic dynamique et d&#39;aide à la décision en temps réel pour une soudeuse électrique en bout par étincelage direct et ses soudures
WO2019101891A1 (fr) Procédé et dispositif de diagnostic de défaut d&#39;un alternateur
FR3065526B1 (fr) Systeme de detection d&#39;un etat ou d&#39;un dysfonctionnement par analyse vibratoire
EP3384595B1 (fr) Procédé et dispositif d&#39;évaluation de l&#39;énergie produite par un arc electrique dans une installation photovoltaïque
JP2001090554A (ja) ガスタービンの異常診断方法
KR101525819B1 (ko) 플라즈마 ｃｖｄ 장비의 히터의 결함 진단 방법
FR2969845A1 (fr) Dispositif et procede de protection terre restreinte
EP4063877A1 (fr) Procédé de contrôle d&#39;un appareil électrotechnique

Legal Events

Date Code Title Description
PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

17P Request for examination filed

Effective date: 20140425

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

DAX Request for extension of the european patent (deleted)
RAP1 Party data changed (applicant data changed or rights of an application transferred)

Owner name: GENERAL ELECTRIC TECHNOLOGY GMBH

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

17Q First examination report despatched

Effective date: 20171213

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

REG Reference to a national code

Ref country code: DE

Ref legal event code: R003

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION HAS BEEN REFUSED

18R Application refused

Effective date: 20221218