ES2332874T3 - Monitorizar la salud de una central de produccion de energia. - Google Patents
Monitorizar la salud de una central de produccion de energia. Download PDFInfo
- Publication number
- ES2332874T3 ES2332874T3 ES01945535T ES01945535T ES2332874T3 ES 2332874 T3 ES2332874 T3 ES 2332874T3 ES 01945535 T ES01945535 T ES 01945535T ES 01945535 T ES01945535 T ES 01945535T ES 2332874 T3 ES2332874 T3 ES 2332874T3
- Authority
- ES
- Spain
- Prior art keywords
- signature
- condition
- normal
- instant
- model
- 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.)
- Expired - Lifetime
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/46—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by spectral analysis, e.g. Fourier analysis or wavelet analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
- G01N29/12—Analysing solids by measuring frequency or resonance of acoustic waves
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4481—Neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/01—Indexing codes associated with the measuring variable
- G01N2291/012—Phase angle
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/01—Indexing codes associated with the measuring variable
- G01N2291/015—Attenuation, scattering
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/26—Scanned objects
- G01N2291/269—Various geometry objects
- G01N2291/2693—Rotor or turbine parts
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Evolutionary Computation (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Paper (AREA)
- Control Of Steam Boilers And Waste-Gas Boilers (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Investigating Or Analysing Materials By The Use Of Chemical Reactions (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Debugging And Monitoring (AREA)
Abstract
Procedimiento para monitorizar la salud de un sistema, que comprende realizar en cada uno de una pluralidad de instantes las etapas de: construir una signatura de condición para el instante presente a partir de una pluralidad de indicadores de condición que incluye (a) una pluralidad de medidas de vibración adquiridas del sistema o (b) una o más medidas de vibración y una o más medidas de parámetros de funcionamiento adquiridos del sistema; predecir una signatura normal a partir de un modelo aprendido que definen a una o más interdependencias entre dichos indicadores de condición relativos a las medidas de vibración del instante previo y el cambio de dichos indicadores de condición relativos a las medidas de vibración en el instante presente, correspondiendo dicha signatura normal a la signatura de condición para un sistema con buena salud en el instante presente, y comprendiendo dicho modelo una red neuronal que tiene una capa oculta; comparar la signatura de condición para el instante presente con la signatura normal; y registrar un acontecimiento sí la signatura de condición para el instante presente difiere de la signatura normal en más de un umbral predeterminado.
Description
Monitorizar la salud de una central de
producción de energía.
Esta invención se refiere a procedimientos y
sistemas de procesamiento de datos para monitorizar la salud de un
sistema. Los procedimientos y sistemas de procesamiento de datos de
la invención están especialmente, aunque no necesariamente
exclusivamente, adaptados para monitorizar la salud de una central
de producción de energía, que incluye por ejemplo turbinas de gas,
motores de combustión interna de ignición por chispa o por
compresión.
La salud de un sistema se puede considerar como
la medida de la condición de un sistema respecto a unas pautas
esperadas. Un sistema con buena salud es aquel cuya condición
coincide con precisión con las expectativas, mientras que un
sistema con mala salud es uno cuya condición difiere de lo
esperado, que presenta por ejemplo un deterioro o un posible
problema con el sistema. Por lo tanto, la capacidad para
monitorizar la salud de un sistema puede permitir detectar este
deterioro y/o problemas y, sí es necesario, tratarlos a tiempo.
Por ejemplo, US-5684718 describe
un sistema que no es en tiempo real para monitorizar el
funcionamiento de un generador eléctrico en el cual los datos de
vibración y carga se combinan para producir una única señal que
entonces se compara con datos almacenados representativos de unas
combinaciones aceptables máximas de los dos parámetros.
Esencialmente, el sistema es un "cuadro de vigilancia"
automático que emite avisos cuando hay vibraciones que exceden
límites aceptables.
Con la finalidad de determinar la condición, y
consecuentemente la salud, de un sistema, es normal monitorizar y
analizar una serie de indicadores medibles que reflejan por sí
mismos aspectos de la condición del sistema. Por ejemplo, tomando
el ejemplo de una turbina de gas, se pueden monitorizar parámetros
de funcionamiento tales como las temperaturas y presiones de
funcionamiento y velocidades de eje de la turbina. Para obtener una
imagen de conjunto más completa de las condiciones del motor,
estos parámetros de funcionamiento se pueden completar con otros
indicadores de condición que incluyen, por ejemplo, medidas de
vibración y medidas de las partículas arrastradas en el circuito de
aceite.
Especialmente, en sistemas mecánicos complejos
como las turbinas de gas, el número de indicadores que hay que
monitorizar para obtener una imagen de conjunto útil de la
condición del sistema puede ser elevado. Esto significa a su vez
que la tarea de análisis de series de indicadores completas para
determinar la salud del motor es compleja, que suele implicar
disponer de un experto especializado para analizar los datos
posteriormente.
Volviendo al ejemplo de la turbina de gas, es
por ejemplo conocido recoger datos de funcionamiento y vibración
del motor en el tiempo para analizarlos posteriormente por parte de
uno o más expertos. En general, los datos de funcionamiento se
compararán con datos de simulación del mismo motor y a partir de
esta comparación, un experto se formará una imagen de la salud del
motor. Asimismo, se revisará una pequeña cantidad de datos, que
darán una visión superficial de los cambios generales del
comportamiento del motor. Sí se detecta un problema, entonces los
datos de vibración podrán ser analizados con más detalle, en
general por otro experto, que buscará cualquier indicación anormal
que pudiera ser un síntoma de problemas mecánicos subyacentes que
podrían conducir a una pérdida de salud y de operabilidad.
EP-A-1014054
propone un proceso para monitorizar el diagnóstico vibracional de
máquinas rotativas en el que se usan parámetros de funcionamiento,
tales como salida efectiva y corriente de salida, para predecir
parámetros de vibración para su comparación con los parámetros
medidos correspondientes.
Es un objetivo general de la presente invención
proporcionar un procedimiento y un sistema de procesamiento de
datos para facilitar la adquisición y el análisis de indicadores de
condición de una manera tal que se pueda evaluar la salud general
de un sistema más rápidamente.
Asimismo, unos aspectos primero y segundo de la
invención proponen procedimientos para monitorizar la salud de un
sistema según las reivindicaciones 1 y 3 respectivamente.
El término "signatura", tal como se emplea
en el presente texto, pertenece a los valores de una pluralidad de
indicadores de condición combinados o mezclados para proporcionar
una unidad o cantidad tal como un conjunto, vector o escalar. En el
ejemplo de un vector de signatura, los indicadores pueden
corresponder a los elementos respectivos del vector. En el ejemplo
de una signatura escalar, la magnitud del escalar se puede
determinar mediante una función matemática que actúa sobre los
valores de los indicadores.
Combinando o mezclando de esta manera los
indicadores de condición en una única signatura, y proporcionar una
signatura normal con la cual se puedan comparar los datos
combinados, se simplifica considerablemente la tarea de evaluación
de la salud de un sistema. En especial, puesto que la detección de
un acontecimiento equivale a una indicación de un problema
potencial o de un sistema con mala salud (es decir una condición de
sistema que difiere de lo que se esperaría normalmente), la
monitorización de la salud se puede automatizar ampliamente,
quitando, o al menos minimizando, la necesidad de la implicación de
un experto durante el proceso de monitorización. Esto a su vez
significa que se vuelve posible monitorizar continuamente la salud
de un sistema, y proporcionar información útil sobre la salud del
sistema en tiempo real durante el funcionamiento.
Preferentemente, los indicadores de condición
que se combinan para formar la signatura de condición del sistema
incluye parámetros de funcionamiento, que en el caso de un sistema
mecánico pueden ser velocidades, presiones (por ejemplo presiones
de gas, presiones de aceite) y temperaturas por ejemplo. Otros
parámetros útiles pueden incluir los considerados convencionalmente
como parámetros de estado o de control. Por conveniencia, se hará
referencia a estos parámetros empleando únicamente la expresión
"parámetros de funcionamiento" en el siguiente texto.
Sin embargo, para obtener una imagen más
completa de la salud de un sistema mecánico, incluyendo en la
signatura uno o más indicadores de condición relativos a la
vibración del sistema.
Se puede considerar, más generalmente, que los
indicadores de condición a partir de los cuales se construye la
signatura de condición del sistema se pueden derivar a partir de
dos o más fuentes de datos distintas. Esto ilustra una fortaleza
particular de este enfoque por el hecho de que se puede abarcar una
gran variedad de diferentes formas de datos indicadores de
signatura de condición del sistema, proporcionando una medida más
completa de la salud del sistema de lo que ha sido posible
previamente sin muchos análisis.
Preferentemente, se emplean al menos tres
indicadores de condición para construir la signatura de condición.
Más preferentemente, se emplean al menos 10 e incluso más
preferentemente al menos 20 indicadores de condición para construir
la signatura de condición.
Según una realización preferida, el sistema
comprende un motor con turbina de gas.
La signatura normal del sistema se deduce a
partir de un modelo del sistema predefinido que se está
monitorizando. Este modelo puede él mismo desarrollarse fuera de
línea y luego implantarse durante la ejecución del procedimiento de
monitorización de la salud. Más preferentemente, sin embargo, el
modelo está concebido para ir refinándose a medida que se ejecuta
el procedimiento de modo que se puede ajustar mejor a un sistema
específico.
Cualquiera que sea el enfoque que se adopte, el
modelo es un "modelo aprendido" desarrollado empleando, al
menos parcialmente, un enfoque de dirección por datos. Esto
significa que el modelo aprendido aprende a partir de datos de
entrenamiento que comprenden series de indicadores de condición que
han sido etiquetados como normales (es decir saludables) o
anormales (es decir no saludables) según el caso. De hecho, se da a
menudo el caso de que hay más mucha más disponibilidad de datos
normales que de datos anormales y por lo tanto los datos de
entrenamiento pueden incluir solamente ejemplos de datos normales.
Esto sigue dando como resultado un modelo efectivo porque los
acontecimientos posteriores pueden identificarse como desviaciones
del modelo aprendido de normalidad.
La signatura normal del sistema con buena salud
se predice a partir de un modelo que define una o más
interdependencias entre los indicadores de condición. Esto permite
al modelo especificar una frontera continua en un espacio de N
dimensiones (en el que cada dimensión se refiere a una de los N
indicadores de condición) correspondientes a los límites del
funcionamiento del sistema con buena salud. Esto contrasta con los
enfoques de "cuadro de vigilancia" para establecer los límites
del funcionamiento del sistema con buena salud que no capturan las
interrelaciones (a menudo complejas) y correlaciones entre
indicadores de condición.
Por lo tanto, por ejemplo, se da a menudo el
caso de que el comienzo de un problema o fallo en un sistema
específico se manifiesta mediante pequeños cambios en un número de
indicadores de condición que individualmente, sin embargo,
permanecen en sus rangos asignables respectivos. El enfoque de
"cuadro de vigilancia", que solo es capaz de detectar cambios
sensibles de parámetros individuales, fallarían en el
reconocimiento de ocurrencia de problema o fallo. En cambio, cuando
la signatura de condición para el sistema con buena salud se
predice a partir de un modelo que define a una o más
interdependencias entre los indicadores de condición los diversos
pequeños cambios en los indicadores de condición pueden tener un
efecto acumulativo para llevar a la signatura de condición fuera de
las fronteras normales en el Espacio de N dimensiones.
Preferentemente, el umbral predeterminado
corresponde a desviaciones o variancias significativas
estadísticamente de la normalidad tal como se define mediante la
signatura normal. Por lo tanto, el desarrollo posterior del modelo
(por ejemplo debido a la entrada de más datos de entrenamiento)
dará como resultado una variación correspondiente del umbral
predeterminado.
En el procedimiento del segundo aspecto de la
invención, el modelo comprende una matriz (por ejemplo una matriz de
covarianza) con uno o más términos no-diagonales
diferentes de cero para definir las
inter-dependencias. La etapa de comparar la
signatura de condición con la signatura normal puede implicar por
lo tanto calcular un valor para las innovaciones normalizadas
elevadas al cuadrado (NIS) que se define más abajo en la
"Descripción de Reali- zaciones".
Como alternativa, en el procedimiento del primer
aspecto de la invención el modelo comprende una red neuronal. Sí
hay N indicadores de condición, una realización es una red neuronal
entrenada para predecir el valor del indicador N-ésimo a partir de
los demás indicadores N-1. La etapa de comparar la
signatura de condición con la signatura normal puede implicar por
lo tanto calcular un error de predicción que es por ejemplo el
cuadrado de la diferencia entre el valor predicho para N y el valor
actual. Puede haber N de estas redes predictivas funcionando en
paralelo para cada uno de los indicadores de condición. En este
caso el error de predicción total puede ser la suma del error de
predicciones de cada una de las redes. En otra realización, una red
neuronal está entrenada para predecir un subconjunto de N1
indicadores de condición (tales como valores de vibración, por
ejemplo en un número de frecuencias clave) a partir de otro
subconjunto de N2 indicadores de condición (tales como los parámetros de funcionamiento), donde N1 + N2 = N.
subconjunto de N2 indicadores de condición (tales como los parámetros de funcionamiento), donde N1 + N2 = N.
Preferentemente los instantes definen intervalos
sucesivos de 1 segundo de máxima duración (es decir una frecuencia
de repetición de 1 Hz frecuencia de repetición). Más
preferentemente, los instantes definen intervalos sucesivos de cómo
mucho 0.2 segundos de duración (frecuencia de repetición de 5 Hz),
incluso más preferentemente como máximo de 0.1 segundos (frecuencia
de repetición de 10 Hz). Adquiriendo y procesando los datos de
indicadores de condición a estas velocidades, es posible mediante
el procedimiento monitorizar la salud del sistema en tiempo real.
Por lo tanto, sí se registra en cualquier momento un acontecimiento
anormal, el operador del sistema puede emprender acciones
apropiadas inmediatamente. Esto puede ser especialmente ventajoso
para el funcionamiento de centrales de seguridad crítica tales como
motores motor con turbina de gas y aire.
La velocidad de adquisición de datos puede ser,
sin embargo, significativamente más rápida que la velocidad de
procesamiento. Por ejemplo la velocidad de adquisición de datos
puede estar en el intervalo entre 20 Hz a 80 kHz. Entonces, se
puede procesar solamente un subconjunto de los datos
adquiridos.
Cuando la signatura de condición comprende datos
provenientes de diferentes fuentes, por ejemplo datos de
funcionamiento y vibración, se da el problema de que los datos
pueden no estar bien sincronizados en el tiempo. Sí estos datos
asíncronos se combinan para formar la signatura, puede resultar
probablemente de ello una imagen distorsionada de la salud del
sistema. Por razones similares, datos de entrenamiento empleados
para desarrollar un modelo de comportamiento normal del sistema
también se deberían sincronizar para evitar distorsiones en el
modelo.
Por lo tanto, preferentemente, los indicadores
de condición se adquieren de manera síncrona del sistema con una
imprecisión de sincronización de 1 segundo como máximo. Más
preferentemente la imprecisión de sincronización es como máximo de
0.1, 0.075, 0.0625 o 0.02 segundos. Por "imprecisión de
sincronización" debe entenderse la máxima diferencia entre los
tiempos de adquisición de cada par de indicadores de condición que
forman una determinada signatura de condición. Preferentemente, las
medidas son adquiridas del sistema con una imprecisión de
sincronización que es menor que la duración de los intervalos de
tiempo sucesivos, por ejemplo sí los intervalos de tiempo son de
0.2 segundos de duración, la imprecisión de sincronización puede
ser como máximo de 0.075 segundos.
Según otros aspectos, la invención también
proporciona sistemas de procesamiento de datos para monitorizar la
salud de un sistema según las reivindicaciones 8 y 9
respectivamente, estando los sistemas adaptados para realizar los
procedimientos descritos más arriba.
Cada sistema de procesamiento de datos puede
comprender también medios de visualización para visualizar
- (a)
- uno o más indicadores de condición,
- (b)
- el resultado de la comparación de la signatura de condición del sistema con la signatura normal y/o
- (c)
- una señal de alerta cuando el comparador indica que se ha sobrepasado el umbral predeterminado (es decir que se ha registrado un acontecimiento).
Los varios aspectos de la invención se
describirán a título de ejemplo con referencia a los dibujos
adjuntos, en los cuales:
La figura 1 ilustra esquemáticamente unos
datos;
La figura 2 muestra una arquitectura de red
neuronal para un modelo aprendido para el funcionamiento del primer
aspecto de la invención;
La figura 3 muestra un gráfico del error de
predicción para el modelo aprendido en un conjunto de datos de
prueba correspondientes a un periodo de condiciones de
funcionamiento normal de un motor;
La figura 4 muestra un gráfico del error de
predicción para el modelo aprendido para otro instante de
funcionamiento del motor en que este experimenta el impacto de un
pájaro;
La figura 5 muestra la curva de aprendizaje para
un simple ejemplo de un modelo de sistema para el funcionamiento
del segundo aspecto de la invención;
La figura 6 muestra a comparación de
observaciones y estimaciones modelizadas para una medida de
velocidad de eje, que ilustra la evolución del modelo de la figura
5.
La figura 7 muestra la velocidad medida del eje
a baja presión (N1V) para el periodo de los datos de prueba a
partir de un ejemplo más elaborado del modelo del sistema;
La figura 8 muestra el valor del NIS durante el
mismo periodo que la figura 7;
La figura 9 muestra los valores de los 13
indicadores de condición y el NIS durante el mismo periodo a partir
de otro ejemplo del modelo de sistema, y
La figura 10 muestra un ejemplo esquemático de
un sistema de monitorización de la salud montado en el motor.
La realización descrita más abajo es un ejemplo
de sistema de procesamiento de datos. Más específicamente, es un
sistema de adquisición, análisis y representación de parámetros de
funcionamiento y datos de vibración síncronos de una central de
energía (por ejemplo una turbina de gas), para monitorizar la salud
de la central.
Los torrentes de datos de funcionamiento y
vibración se sincronizan en tiempo real y estos data se combinan o
mezclan para construir una signatura del sistema que se puede
comparar con una signatura deducida a partir de un modelo que
representa una central de energía saludable, con la finalidad de
proporcionar la detección de anomalías/acontecimientos y de aquí
diagnósticos de fallos.
La discusión siguiente se basa en una aplicación
del sistema para monitorizar la salud de motor de turbina de gas,
pero se apreciará que los procedimientos se pueden adaptar a otras
centrales, que incluyen por ejemplo centrales geotérmicas o
turbinas de gas marinas, y motores de combustión interna por chispa
o compresión, así como otros sistemas mecánicos, termodinámicos, de
fluidos, eléctricos o electrónicos. El sistema adquiere parámetros
de funcionamiento de la turbina de gas digitalmente a través de un
enlace ethernet a una velocidad de entre 20 y 40 Hz. Unos
parámetros típicos de funcionamiento lo son las medidas de presión,
temperatura, empuje, altitud o número de Mach. Los datos de
vibración son adquiridos mediante transductores analógicos de
vibraciones que se muestrean a velocidades de muestreo
seleccionadas por el usuario (desde 625 Hz a 80 kHz) mediante un
convertidos analógico-digital. El espectro de
amplitudes de los datos de vibración se genera empelando una
Transformada Rápida de Fourier cada 0,2 segundos.
Los torrentes de datos de funcionamiento y
vibración son asíncronos y son almacenados en archivos distintos
junto con sus marcas de tiempo correspondientes. Durante la
revisión, a medida que los datos son almacenados en la memoria, se
realiza la sincronización entre los datos de funcionamiento y del
espectro línea por línea. Se mantienen unos marcadores 10, 12 (Ver
la figura 1) que registran la última línea sincronizada en los
datos de búferes circulares de vibración y funcionamiento 14, 16.
Cuando se dispone de nuevos datos en memoria, se examina la marca
de tiempo de la siguiente línea de espectro de vibración. El
algoritmo de sincronización empieza a partir de la última
localización sincronizada previamente en los datos de
funcionamiento y busca hacia delante y hacia atrás a partir de las
marcas de tiempo de los datos de funcionamiento (con un error de
0,05 segundos) hasta que se identifica la marca de tiempo
coincidente más cercana del búfer circular de datos de
funcionamiento 16. Esta localización en los datos de funcionamiento
se registra como sincronizado con la línea en el búfer circular de
vibración 14. Entonces, el algoritmo procede a la siguiente línea
del búfer circular de vibración 14 (0,2 segundos más tarde) y así
sucesivamente hasta que no hay más datos disponibles a
sincronizar.
Claramente, por lo tanto, si los parámetros de
funcionamiento se adquieren a 20 Hz (es decir a intervalos de 0,05
segundos) la precisión de sincronización es de 0,075 segundos (es
decir la mitad del intervalo de adquisición añadido a la precisión
de las marcas de tiempo) y sí los parámetros de funcionamiento se
adquieren a 40 Hz (es decir a intervalos de 0,025 segundos) la
precisión de sincronización es de 0,0625 segundos.
Considerando el algoritmo de sincronización con
algo más de detalle, se puede ver a partir de la figura 1 que el
algoritmo mantiene una tabla de sincronización 18 que da el índice
de las entradas de datos de funcionamiento que coinciden con cada
línea de datos de vibración. El algoritmo utiliza variables para
marcar los últimos datos sincronizados en cada buffer. El
funcionamiento del algoritmo se puede resumir con el siguiente
"seudo código":
- 1.
- Inicializar los últimos marcadores sincronizados con el principio de los datos de vibración y funcionamiento.
- 2.
- Dar vueltas en ambos búferes circulares mientras haya más datos.
- (a)
- Empezando a partir del último artículo de los datos sincronizados en cada búfer circular, examinar la marca de tiempo, t, en la siguiente entrada en el búfer circular de vibración.
- (b)
- Buscar hacia atrás en el búfer circular de funcionamiento hasta que se encuentra una marca de tiempo t mayor. Seleccionar entre esta entrada en el búfer circular de funcionamiento y la entrada anterior para una que sea más cercana y registrar la coincidencia en la tabla de sincronización.
Una vez sincronizados, el análisis de estos
datos de funcionamiento y vibración se basa en construir modelos
de comportamiento normal de reactor y entonces detectar un
acontecimiento o una anormalidad con respecto a estos modelos.
Los sistemas de monitorización de motores de
avión tradicionales se basan en dos procesos distintos: la
utilización de signaturas de vibración para indicar el estado del
motor, y un proceso separado, el análisis de trayectoria del gas,
que se emplea para la determinación de estado a partir de
parámetros de funcionamiento. En el enfoque ahora descrito, sin
embargo, los parámetros relativos al funcionamiento tales como la
presión y la temperatura se pueden mezclar con datos de vibración
(tales como vectores de orden seguidos - cuyos elementos
corresponden a la amplitud de la señal en un margen estrecho
centrado en las frecuencias de vibración principales de cada eje de
la turbina). El objetivo es aprovechar las diferentes fuentes de
datos para formar una imagen más completa del estado del motor
durante el funcionamiento normal. Esto a su vez permitiría
identificar un mayor rango de desviaciones.
Además, se propone emplear modelos aprendidos
conducidos por datos modelos para modelizar un motor normal. Por o
tanto, aunque se emplean modelos del sistema del motor, estos no
son fijos. En cambio, evolucionan con datos de entrenamiento
adquiridos. Esto ofrece la ventaja importante de la robustez.
Los procedimientos de análisis de datos descrita
debajo de puede denominar como "detección de novedad". Una
ventaja de los procedimientos es que el papel del experto solamente
consiste en clasificar los datos de entrenamiento como anormales
(es decir nuevos) o normales. La utilización de Sistemas de
filtrado Kalman en la detección de novedad se ha descrito en por
ejemplo M. Gelb, Applied Optimal Estimation. MIT Press
1974.
Más abajo se describen dos variantes de
procedimientos de análisis de datos. Se distinguen por la cantidad
de conocimiento previo requerido para poner a punto el sistema. En
ambos casos, el papel del experto solo debe consistir en clasificar
datos de entrenamiento como nuevos o normales.
El primer procedimiento se basa en un modelo
aprendido de normalidad previo. Por ejemplo, se aprenden perfiles
de órdenes de vibración normal sometidos a seguimiento empleando un
modelo de agrupación simple para los datos normales. La novedad de
por ejemplo la signatura de vibración para un motor en prueba se
evalúa comparando la proximidad de su signatura de orden seguido
con los patrones prototípicos en el modelo agrupado de normalidad.
Esto puede hacerse, por ejemplo, calculando la distancia Euclidea
normalizada más corta entre el vector que codifica el orden seguido
conformado según los (patrones prototípicos) centros de agrupación
en el modelo de normalidad (ver Nairac et al, "A System
for the Analysis de Jet Engine Data Vibration",
Integrated Computer-Aided Engineering,
6(1):53-65, 1999). Si esta distancia está más
allá de un umbral previamente establecido, se supone que la
signatura de vibración tal como se presenta por el orden seguido
está fuera de los límites de normalidad. Además de los órdenes de
vibración seguidos, el modelo de normalidad del espectro de
vibración incluye los siguientes órdenes: bandas laterales,
harmónicos múltiples, harmónicos fraccionales y potencia de banda
ancha.
El modelo se ilustra mediante un ejemplo en el
que una red neuronal con la arquitectura mostrada en la figura 2
se desarrolló como modelo aprendido.
La red neuronal tiene una capa de entrada 30 con
cuatro nodos que consisten en 4 indicadores de condición medidos
con respecto a un motor de prueba de uno o varios ejes. Los
indicadores de condición eran la amplitud de vibración, la fase y
la velocidad del eje todos en un instante determinado, y la
velocidad el eje un incremento de tiempo después del instante
determinado.
La capa de salida 32 de la red tiene dos nodos
para predecir respectivamente el cambio en la amplitud de
vibración y el cambio de fase tras un incremento de tiempo.
La red tiene una capa oculta 34, de la cual cada
nodo está contenida en una función de base radial Gausiana.
En la fase de entrenamiento de la red se
emplearon datos de entrenamiento obtenidos del motor de prueba en
un rango de condiciones de funcionamiento normales. Los centros y
extensiones de las Gausianas se fijaron empleando el análisis de
agrupamientos descrito más arriba y las ponderaciones de las
conexiones entre los nodos se ajustaron reiteradamente hasta que el
modelo convergió.
La figura 3 muestra un gráfico del error de
predicción (es decir la suma del error de predicciones del cambio
en la amplitud de vibración y cambio de fase) para el modelo en un
conjunto de datos de prueba que también correspondían a un periodo
de condiciones de funcionamiento normal del motor. Este gráfico
proporciona la línea de base de variación de error de predicción
frente a los cuales se pueden juzgar los acontecimientos
nuevos.
La figura 4 muestra un gráfico del error de
predicción para otro periodo de funcionamiento del motor. En este
caso, sin embargo, el motor experimentó un impacto de pájaro. El
pico mayor en el gráfico corresponde al momento del impacto del
pájaro. Claramente, el modelo era capaz de reconocer este
acontecimiento. Sin embargo, la señal de error de predicción
cambiada (comparada con la línea de base de la figura 3) tras el
acontecimiento mostró que el modelo también era capaz de detectar
el comportamiento anormal del motor post-impacto.
Esto da confianza de que el modelo no solo puede detectar
acontecimientos mayores tales como los impactos de pájaros, sino
también desviaciones más sutiles de la normalidad.
El segundo procedimiento emplea un modelo de
proceso que tiene un vector de estado asociado con él (ver más
abajo). El vector de observación (es decir la signatura de
condición) tiene elementos correspondientes a información de los
valores medidos de parámetros de funcionamiento y vibración de modo
que se combinan dos tipos de datos en el modelo. La fusión de los
datos se realiza en tiempo real generándose una nueva salida por el
sistema varias veces por segundo.
Un aspecto importante de la utilización de este
modelo en el sistema es la utilización del aprendizaje. En una
primera fase de aprendizaje, fuera de línea, se aprende un modelo
genérico del motor. El aprendizaje es conducido por datos empleando
un algoritmo tal como el Expectación - Maximización para maximizar
las posibilidades del modelo aprendido dados los datos de
entrenamiento. Una vez aprendido el modelo genérico fuera de línea
para un modelo de motor específico, el aprendizaje se puede
aplicar en línea para ajustar el modelo a un motor individual
inmediatamente después de haber pasado una prueba inicial después
de cada procedimiento de mantenimiento. El deterioro del motor
también se puede aprender en línea. El modelo aprendido puede ser
ajustado para diferentes condiciones de vuelo, tales como crucero o
aterrizaje para detectar novedad con aún más sensibilidad y
especificidad.
El modelo aprendido conducido por datos se puede
integrar en modelos de funcionamiento existentes basados en las
leyes de la termodinámica y la dinámica de fluidos simulada
(modelos basados en conocimiento). Por lo tanto, estos modelos se
pueden describir como modelos híbridos porque se basan en la
integración de modelos basados en el aprendizaje y en el
conocimiento.
Mirando con más detalle el enfoque de modelo
aprendido, este se basa en la aplicación de Expectación
Maximización (EM) para la estimación de parámetros en sistemas
dinámicos lineales (ver Ghahramani y Hinton, Parameter
Estimation for Linear Dynamical Systems, Technical Report
CRG-TR-96-2,
Universidad de Toronto, 1996) y en sistemas no lineales (ver Roweis
y Ghahramani, "A Unifying Review of Linear Gaussian
Models", Neural Computation, 11, 305-345,
1999; y Ghahramani y Roweis, "Learning in Nonlinear Dynamical
Systems Using an EM Algorithm" en Kearns y otros (editores),
Advances in Neural Information Processing Systems, Volumen
11, MIT Press,
1999).
1999).
El algoritmo de aprendizaje EM se aplica al
modelo de filtro de Kalman. En el caso lineal, este es un sistema
con un proceso de medida de la forma
en el que y(i) es un
conjunto de observaciones de estado oculto x(i), C es una
matriz de covarianza, y el ruido medido v(i) es de promedio
cero y distribuido según una distribución normal con matriz de
covariancia R. y(i) y x(i) pueden tener la misma
dimensión. Los términos no-diagonales diferentes de
cero C permiten al modelo tener en cuenta las interdependencias
entre el parámetro de funcionamiento y medidas de vibración de la
condición y signatura normales. La ecuación de
estado
tiene w(i) con promedio cero
y distribuida según una distribución normal con matriz de
covariancia
Q.
Al principio de la fase de entrenamiento A y C
se inicializan a valores aleatorios pequeños (por ejemplo con
elementos de las matrices \approx 10^{-5}), y R y Q se
inicializan por ejemplo a I. Por lo tanto durante la fase de
entrenamiento, para cada signatura de condición y(i) en el
conjunto de entrenamiento, el procedimiento de Roweis y Ghahramani
aplicado a la ecuación (2) para deducir los valores más probables
de los elementos de x(i), y los elementos de C, R y
v(i) se ajustan reiteradamente de modo que
Cx(i)+v(i) converge hacia la signatura de condición
respectiva (R y Q se pueden restringir en todo el proceso a ser
matrices diagonales). La convergencia se puede determinar mediante
la probabilidad logarítmica del conjunto de observaciones según el
modelo.
En lugar de inicializar los elementos de A a
valores aleatorios pequeños, también es posible adoptar valores
iniciales que representen modelos de funcionamiento de
comportamiento de motores. Entonces, después de la fase de
entrenamiento, el modelo sería un modelo híbrido basado en
conocimiento y conducido por datos. Combinando estos dos
procedimientos de análisis de datos, se puede combinar la precisión
del previo conocimiento del experto con la robustez de los enfoques
conducidos por datos.
Cuando la fase de entrenamiento ha finalizado y
el modelo está recibiendo datos en tiempo real que consisten en
una secuencia de signaturas de condición, se vuelve a emplear el
filtro de Kalman para deducir los valores más probables de los
elementos de x(i) para cada signatura de condición
y(i). Sin embargo, los elementos de C y v(i) están
ahora fijados, de modo que Cx(i)+v(i) proporciona la
signatura normal para la comparación con la signatura de
condición.
Por ejemplo, la comparación de la signatura
normal con la signatura de condición puede basarse en innovaciones
normalizadas elevadas al cuadrado (NIS). La secuencia de
innovaciones v es la diferencia entre la signatura de condición y
la signatura normal, de modo que
Las innovaciones deberían tener media nula y
tener una distribución blanca.
El NIS combina las secuencias de innovación
individuales.
Las secuencias individuales son ponderadas con
el término S(k)^{-1}, el inverso de la covarianza
de la innovación dada por
donde
P(k|k-1) es la covariancia de
predicción.
El modelo se ilustra primero con simple ejemplo
comparativo (que no emplea medidas de vibración) en el que las
observaciones están compuestas por las velocidades de los tres ejes
de un motor de prueba durante una fase de crucero. Los datos
observados y son simplemente el estado x contaminados con ruido, de
modo que
Las observaciones se emplean durante el tiempo
de aprendizaje, para generar un modelo de sistema dinámico en el
que A, C, Q y R se aprenden de los datos. Al principio de la fase
de entrenamiento A y C se inicializaron con valores aleatorios
pequeños y R y Q se inicializaron a I.
La figura 5 ilustra la curva de aprendizaje
(probabilidad logarítmica) del sistema. La figura 6 muestra la
evolución de estimaciones de velocidades del eje 1 velocidades
durante el proceso de aprendizaje empleando el algoritmo EM. En el
ejemplo mostrado, la etapa de aprendizaje dura las primeras 25
iteraciones. Desde iteración 25 en adelante, las propiedades
dinámicas del sistema se determinan con las matrices aprendidas
(que entonces se mantienen fijas).
Una vez entrenados, los sistemas se pueden
emplear para detectar acontecimientos o anormalidades, es decir
divergencias del modelo aprendido de normalidad. Los
acontecimientos de particular interés son aquellos inesperados, que
indican posiblemente un problema con el motor por ejemplo. Sin
embargo, especialmente cuando los modelos solamente se han
aprendido para partes de "régimen estacionario" del perfil de
vuelo (por ejemplo aceleración, crucero y deceleración), los
transitorios durante el funcionamiento del motor también se
indicarán como acontecimientos, aunque sean esperados. Por ejemplo,
donde si se abre o cierra una válvula de purgado, la condición de
funcionamiento del motor mostrará diferencias significativas a
partir de un modelo aprendido de normalidad en régimen estacionario
que no incluye este acontecimiento.
Por lo tanto al emplear este modelo en régimen
estacionario, se pueden emplear las medidas para evitar estos
acontecimientos transitorios. Por ejemplo, puesto que la apertura
de una válvula de sangrado es un acontecimiento que ocurre en un
determinado instante en el tiempo, los datos recogidos del motor en
este instante y ligeramente al lado de este (por ejemplo durante 2
segundos antes y después) se pueden eliminar de los datos
analizados por el sistema de monitorización de la salud.
El enfoque se ilustra a continuación con un
ejemplo más elaborado que utiliza tanto el parámetro de
funcionamiento como los datos de vibración. En este ejemplo el
modelo se aplicó a los datos adquiridos a partir de un banco de
pruebas, multi-eje, motor aeronáutico con turbina
de gas sometido a una prueba de
aceleración-deceleración cíclica cuando experimentó
un acontecimiento de placa de cierre de presión de turbina. Estas
pruebas se emplean para investigar el comportamiento del motor en
condiciones extremas. Los datos se adquirieron de manera síncrona
tal como se describió más arriba.
Un acontecimiento de placa de cierre ocurrió en
el motor en el día de prueba 152-00. Los datos de
entrenamiento eran los datos 152-00 para un periodo
antes del acontecimiento, y los datos de prueba eran los datos
152-00 para el periodo que incluye al
acontecimiento. En este ejemplo se empleó un modelo de 14
dimensiones (es decir y(i) y x(i) tenían cada uno 14
elementos) en el que las entradas de indicadores de condición
eran:
- -
- Los órdenes seguidos de los ejes de baja presión (tol), de presión intermedia (toi) y de alta presión (toh),
- -
- Las velocidades de eje de los ejes de baja presión (N1V), de presión intermedia (N2V) y de alta presión (N3V),
- -
- Las presiones ambiental (POV), de entrada total (P20V), de suministro del compresor de alta presión (P30V) y de gases de salida (PEXV),
- -
- Las temperaturas de entrada total (T20V) y de suministro del compresor de alta presión (T30V),
- -
- Las temperaturas de la turbina de gas estabilizadas (TGTTRM)
- -
- El flujo de combustible solicitado (WFDEM)
Al principio de la fase de entrenamiento A y C
se inicializaron a valores aleatorios pequeños y R y Q se
inicializaron a I.
La figura 7 muestra la velocidad medida del eje
a baja presión (N1V) para parte del periodo de los datos de
prueba, y La figura 8 muestra el valor de NIS calculado por el
modelo entrenado durante el mismo periodo.
Los primeros dos valles agudos en el perfil de
N1V fueron causados por deceleraciones cíclicas consecutivas
planificadas. Asociados con cada uno de estos valles hay dos picos
de NIS. Estos picos indicaban que el motor no se comportaba
normalmente durante el ciclo de prueba. De hecho un examen
posterior reveló que al principio de la prueba se liberó una placa
de cierre y como resultado se produjo un rozamiento de las palas
anormal en cada uno de los ciclos de deceleración.
Durante el tercer ciclo de deceleración
planificado en las figures 7 y 8 (es decir en el punto de
datosl2850 aproximadamente) el motor padeció daños en las palas que
resultaron en un pico del NIS agudo y una caída de N1V.
Sin embargo, los picos más tempranos (todos más
pequeños) NIS demuestran que el sistema de monitorización era capaz
de detectar el efecto de la liberación de la placa de cierre en
tiempo real y antes de que ocurriesen daños sustanciales en las
palas. Por lo tanto, sí esta liberación hubiese ocurrido en un
motor aeronáutico en servicio, habría sido posible generar una
alerta inmediata para emprender medias a tiempo (tal como la
inspección el mantenimiento del motor). En cambio, variaciones
súbitas de N1V pueden ocurrir normalmente, de modo que N1V por sí
mismo no es un indicador de comportamiento anormal fiable.
Otro ejemplo en que también se utilizan tanto
los parámetros de funcionamiento como los datos de vibración. De
nuevo, el modelo se aplicó a datos adquiridos de manera síncrona en
un banco de pruebas, multi-eje, motor aeronáutico
con turbina de gas. Sin embargo, en este caso se desarrolló una
fuga de aceite en el motor.
El fallo ocurrió en el motor alrededor del punto
de datos 50410. Los datos de entrenamiento eran a partir de un
periodo antes del fallo, y los datos de prueba eran para un periodo
que incluye el fallo. En este ejemplo se empleo un modelo de 13
dimensiones en el que las entradas del indicador de condición eran
tol, toi, toh, N1V, N2V, N3V, POV, P20V, P30V, PEXV, T20V, TGTTRM,
y WFDEM.
La figura 9 muestra los valores de los 13
indicadores de condición y el NIS (en la parte baja del gráfico)
durante el periodo que incluye el acontecimiento. El pico NIS agudo
en el punto 50410 de los datos vuelve a demostrar que el sistema de
monitorización era capaz de detectar el momento del acontecimiento.
Aunque algunos de los otros indicadores de condición también
presentaban picos en ese instante, no podían asociarse con
fiabilidad por ellos mismos a un comportamiento anormal
(nuevo).
Un examen posterior mostró que el acontecimiento
era una fuga de aceite en un sellado que permitía al aceite del
motor entrar en la cámara de combustión. A causa de esta fuga el
sistema del motor de control redujo la cantidad de combustible que
entraba en la cámara de combustión (de ahí la caída en el WFDEM)
para mantener el empuje del motor (dado por PEXV/P20) a un nivel
constante.
Después del acontecimiento, aún con aceite
fugándose a la cámara de combustión, el motor funcionaba fuera del
alcance de comportamiento normal. Esto fue recogido con éxito por
la traza del NIS que después del punto de datos 50410 no volvió al
nivel que tenía antes del acontecimiento.
A continuación se considera como se podría
instalar un sistema de monitorización de la salud, que incorpora al
modelo descrito, en una turbina de gas para el análisis en tiempo
de vuelo.
Un sistema montado en el motor, mostrado
esquemáticamente en la figura 10, puede generar del orden de 1 Gb
de datos de vibración y funcionamiento (consistentes principalmente
en presiones, temperaturas y velocidades de eje) por vuelo. Los
datos de vibración se suelen analizar en el dominio de las
frecuencias. Los datos de vibración y funcionamiento, a medida que
se van generando por los medios de adquisición de datos 20, son
almacenados de manera temporal en un búfer circular 22. Los datos
están sincronizados y sujetos a la detección de novedad en el
procesador y en los medios de comparación 24 que reciben una señal
de sincronización de los medios de adquisición de datos 20 y los
datos del búfer circular 22. Aquellas secciones de los datos
correspondientes a los acontecimientos nuevos son etiquetadas y
registradas sin pérdida de información (es decir se registran datos
de ancho de banda ultra elevado) en medios de registro 26 que tiene
un disco de almacenamiento y/o en línea
semi-permanente. Cuando finaliza el vuelo los datos
almacenados se pueden descargar y someter a análisis fundamentados
más intensivos.
El sistema también puede incluir un medio de
representación que permite representar información ya sea durante
la adquisición o para la revisión una vez completado el ciclo de
adquisición. Comprende preferentemente las siguientes
características:
- -
- Capacidad para representar el resultado de la comparación de la signatura de condición con la signatura normal, por ejemplo en la forma del NIS o del error de predicción. Los acontecimientos no saludables se pueden destacar por ejemplo mediante una señal de alerta.
- -
- Capacidad para representar una combinación de cualquiera de los dos espectros de vibración, órdenes seguidos, potencia de ancho de banda, parámetros de funcionamiento sincronizados en el tiempo.
- -
- Capacidad para extraer y representar gráficamente el espectro de vibración frente a la velocidad del motor.
- -
- Capacidad para interrogar e imprimir cualquier espectro de vibración, órdenes seguidos, potencia de banda ancha y parámetros de funcionamiento.
- -
- Detección y representación automáticas de características a partir del espectro de vibración (extremos de banda, harmónicos, etc.)
\vskip1.000000\baselineskip
Esta lista de referencias citadas por el
solicitante está prevista únicamente para ayudar al lector y no
forma parte del documento de patente europea. Aunque se ha puesto
el máximo cuidado en su realización, no se pueden excluir errores
u omisiones y la OEP declina cualquier responsabilidad en este
respecto.
- \bullet US 5684718 A [0003]
- \bullet EP 1014054 A [0007]
\bullet M. Gelb. Applied Optimal
Estimation. MIT Press, 1974 [0040]
\bulletNairac et al. A System
for the Analysis of Jet Engine Vibration Data. Integrated
Computer-Aided Engineering, 1999, vol. 6
(1), 53-65 [0042]
\bulletRoweis; Ghahramani. A
Unifying Review of Linear Gaussian Models. Neural
Computation, 1999, vol. 11, 305-345
[0053]
\bullet Learning in Nonlinear Dynamical
Systems Using an EM Algorithm. Ghahramani; Roweis
et al. Advances in Neural Information Processing Systems.
MIT Press, 1999, vol. 11 [0053].
Claims (9)
-
\global\parskip0.900000\baselineskip
1. Procedimiento para monitorizar la salud de un sistema, que comprende realizar en cada uno de una pluralidad de instantes las etapas de:construir una signatura de condición para el instante presente a partir de una pluralidad de indicadores de condición que incluye (a) una pluralidad de medidas de vibración adquiridas del sistema o (b) una o más medidas de vibración y una o más medidas de parámetros de funcionamiento adquiridos del sistema;predecir una signatura normal a partir de un modelo aprendido que definen a una o más interdependencias entre dichos indicadores de condición relativos a las medidas de vibración del instante previo y el cambio de dichos indicadores de condición relativos a las medidas de vibración en el instante presente, correspondiendo dicha signatura normal a la signatura de condición para un sistema con buena salud en el instante presente, y comprendiendo dicho modelo una red neuronal que tiene una capa oculta;comparar la signatura de condición para el instante presente con la signatura normal; y registrar un acontecimiento sí la signatura de condición para el instante presente difiere de la signatura normal en más de un umbral predeterminado. - 2. Procedimiento según la reivindicación 1, en el que la etapa de comparar la signatura de condición con la signatura normal implica calcular un error de predicción.
- 3. Procedimiento para monitorizar la salud de un sistema, que comprende realizar en cada uno de una pluralidad de instantes las etapas de:construir una signatura de condición para el instante presente a partir de una pluralidad de indicadores de condición que incluye (a) una pluralidad de medidas de vibración adquiridas del sistema o (b) una o más medidas de vibración y una o más medidas de parámetros de funcionamiento adquiridos del sistema;predecir una signatura normal a partir de un modelo aprendido que definen a una o más interdependencias entre dicha signatura de condición y signatura normal, correspondiendo dicha signatura normal a la signatura de condición para un sistema con buena salud en el instante presente, y siendo dicho modelo un modelo de filtro de Kalman para un proceso de medida de la forma y(i) = Cx(i)+v (i) y una ecuación de estado de la forma x(i+l) = Ax(i)+w(i) donde i indica un instante, y(i) es la signatura de condición, x(i) es un estado oculto, C y A son matrices, v(i) y w(i) son igual a cero en promedio y distribuidos según una distribución normal, y uno o más términos no-diagonales diferentes de cero de C definen dichas interdependencias;comparar la signatura de condición para el instante presente con la signatura normal; y registrar un acontecimiento sí la signatura de condición para el instante presente difiere de la signatura normal en más de un umbral predeterminado.
- 4. Procedimiento según la reivindicación 3, en el que la etapa de comparar la signatura de condición con la signatura normal implica calcular un valor para las innovaciones normalizadas elevadas al cuadrado.
- 5. Procedimiento según cualquiera de las reivindicaciones anteriores, en el que dichos tiempos definen intervalos sucesivos de 1 segundo de duración máxima.
- 6. Procedimiento según cualquiera de las reivindicaciones anteriores, en el que dichas medidas se adquieren de manera síncrona del sistema con una imprecisión de sincronización de 1 segundo como máximo.
- 7. Procedimiento según cualquiera de las reivindicaciones anteriores, en el que el sistema comprende un motor con turbina de gas.
- 8. Sistema de tratamiento de datos para monitorizar la salud de un sistema, que comprende:medios de adquisición de datos para adquirir una pluralidad de indicadores de condición del sistema en cada uno de una pluralidad de instantes, incluyendo los indicadores de condición (a) una pluralidad de medidas de vibración o (b) una o más medidas de vibración y una o más medidas de parámetros de funcionamiento;medios de procesamiento para construir una signatura de condición para el instante presente a partir de dichos indicadores de condición y para predecir una signatura normal a partir de un modelo aprendido que define a una o más interdependencias entre dichos indicadores de condición relativos a las medidas de vibración en el instante previo y el cambio de dichos indicadores de condición relativos a las medidas de vibración en el instante presente, correspondiendo dicha signatura normal a la signatura de condición para un sistema con buena salud en el instante presente, y comprendiendo dicho modelo una red neuronal que tiene una capa oculta;medios de comparación para comparar la signatura de condición para el instante presente con la signatura normal; y medios de registro para registrar un acontecimiento si el comparador indica que la signatura de condición para el instante presente difiere de la signatura normal en más de un umbral predeterminado.
\global\parskip1.000000\baselineskip
- 9. Sistema de tratamiento de datos para monitorizar la salud de un sistema, que comprende:medios de adquisición de datos para adquirir una pluralidad de indicadores de condición del sistema en cada uno de una pluralidad de instantes, incluyendo los indicadores de condición (a) una pluralidad de medidas de vibración o (b) una o más medidas de vibración y una o más medidas de parámetros de funcionamiento;medios de procesamiento para construir una signatura de condición para el instante presente a partir de dichos indicadores de condición y para predecir una signatura normal a partir de un modelo aprendido que define a una o más interdependencias entre dicha signatura de condición y signatura normal, correspondiendo dicha signatura normal a la signatura de condición para un sistema con buena salud en el instante presente, y siendo dicho modelo un modelo de filtro de Kalman para un proceso de medida de la forma y(i) = Cx(i)+v(i) y una ecuación de estado de la forma x(i+l) = Ax(i)+w(i) donde i indica un instante, y(i) es la signatura de condición, x(i) es un estado oculto, C y A son matrices, v(i) y w(i) son igual a cero en promedio y distribuidos según una distribución normal, y uno o más términos no-diagonales diferentes de cero de C definen a dichas interdependencias;medios de comparación para comparar la signatura de condición para el instante presente con la signatura normal; y medios de registro para registrar un acontecimiento sí el comparador indica que la signatura de condición para el instante presente difiere de la signatura normal en más de un umbral predeterminado.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
GB0016561 | 2000-07-05 | ||
GBGB0016561.3A GB0016561D0 (en) | 2000-07-05 | 2000-07-05 | Health monitoring |
Publications (1)
Publication Number | Publication Date |
---|---|
ES2332874T3 true ES2332874T3 (es) | 2010-02-15 |
Family
ID=9895110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
ES01945535T Expired - Lifetime ES2332874T3 (es) | 2000-07-05 | 2001-07-05 | Monitorizar la salud de una central de produccion de energia. |
Country Status (10)
Country | Link |
---|---|
US (1) | US6928370B2 (es) |
EP (1) | EP1297313B1 (es) |
JP (1) | JP4859328B2 (es) |
AT (1) | ATE441836T1 (es) |
AU (1) | AU2001267749A1 (es) |
DE (1) | DE60139778D1 (es) |
DK (1) | DK1297313T3 (es) |
ES (1) | ES2332874T3 (es) |
GB (1) | GB0016561D0 (es) |
WO (1) | WO2002003041A1 (es) |
Families Citing this family (133)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7758503B2 (en) | 1997-01-27 | 2010-07-20 | Lynn Lawrence A | Microprocessor system for the analysis of physiologic and financial datasets |
US9042952B2 (en) | 1997-01-27 | 2015-05-26 | Lawrence A. Lynn | System and method for automatic detection of a plurality of SPO2 time series pattern types |
US8932227B2 (en) | 2000-07-28 | 2015-01-13 | Lawrence A. Lynn | System and method for CO2 and oximetry integration |
US20060161071A1 (en) | 1997-01-27 | 2006-07-20 | Lynn Lawrence A | Time series objectification system and method |
US20070191697A1 (en) * | 2006-02-10 | 2007-08-16 | Lynn Lawrence A | System and method for SPO2 instability detection and quantification |
US9521971B2 (en) | 1997-07-14 | 2016-12-20 | Lawrence A. Lynn | System and method for automatic detection of a plurality of SPO2 time series pattern types |
GB0014855D0 (en) | 2000-06-16 | 2000-08-09 | Isis Innovation | Combining measurements from different sensors |
US20060195041A1 (en) | 2002-05-17 | 2006-08-31 | Lynn Lawrence A | Centralized hospital monitoring system for automatically detecting upper airway instability and for preventing and aborting adverse drug reactions |
US9053222B2 (en) | 2002-05-17 | 2015-06-09 | Lawrence A. Lynn | Patient safety processor |
US20050049834A1 (en) * | 2001-02-27 | 2005-03-03 | Bottomfield Roger L. | Non-invasive system and method for diagnosing potential malfunctions of semiconductor equipment components |
EP1374167B1 (en) * | 2001-03-08 | 2010-05-12 | California Institute Of Technology | Real-time spatio-temporal coherence estimation for autonomous mode identification and invariance tracking |
FR2824395B1 (fr) * | 2001-05-04 | 2004-09-10 | Eurocopter France | Procede et dispositif pour detecter des defauts d'au moins un rotor d'un aeronef a voilure tournante, en particulier d'un helicoptere, et pour regler ce rotor |
US20030176954A1 (en) * | 2001-10-12 | 2003-09-18 | Jaw Link C. | Tracking and control of gas turbine engine component damage/life |
GB0130010D0 (en) * | 2001-12-14 | 2002-02-06 | Isis Innovation | Combining measurements from breathing rate sensors |
US6999884B2 (en) | 2003-01-10 | 2006-02-14 | Oxford Biosignals Limited | Bearing anomaly detection and location |
US7500950B2 (en) | 2003-07-25 | 2009-03-10 | Masimo Corporation | Multipurpose sensor port |
US6961677B1 (en) * | 2003-08-25 | 2005-11-01 | Itt Manufacturing Enterprises, Inc. | Method and apparatus for categorizing unexplained residuals |
EP1533669B1 (de) * | 2003-11-18 | 2008-04-30 | Peter Renner | Zustandsüberwachung bei technischen Prozessen |
GB0400840D0 (en) * | 2004-01-15 | 2004-02-18 | Rolls Royce Plc | Method of processing oscillatory data |
EP1560338A1 (de) * | 2004-01-27 | 2005-08-03 | Siemens Aktiengesellschaft | Verfahren zur Speicherung von Prozesssignalen einer technischen Anlage |
GB0417421D0 (en) * | 2004-08-05 | 2004-09-08 | Rolls Royce Plc | Method of processing oscillatory data |
US7280941B2 (en) | 2004-12-29 | 2007-10-09 | General Electric Company | Method and apparatus for in-situ detection and isolation of aircraft engine faults |
US8836513B2 (en) | 2006-04-28 | 2014-09-16 | Proteus Digital Health, Inc. | Communication system incorporated in an ingestible product |
US8802183B2 (en) | 2005-04-28 | 2014-08-12 | Proteus Digital Health, Inc. | Communication system with enhanced partial power source and method of manufacturing same |
US8912908B2 (en) | 2005-04-28 | 2014-12-16 | Proteus Digital Health, Inc. | Communication system with remote activation |
EP1889198B1 (en) | 2005-04-28 | 2014-11-26 | Proteus Digital Health, Inc. | Pharma-informatics system |
US9198608B2 (en) | 2005-04-28 | 2015-12-01 | Proteus Digital Health, Inc. | Communication system incorporated in a container |
US8730031B2 (en) | 2005-04-28 | 2014-05-20 | Proteus Digital Health, Inc. | Communication system using an implantable device |
EP1920418A4 (en) * | 2005-09-01 | 2010-12-29 | Proteus Biomedical Inc | IMPLANTABLE WIRELESS COMMUNICATION SYSTEMS |
GB0518659D0 (en) | 2005-09-13 | 2005-10-19 | Rolls Royce Plc | Health monitoring |
US7571057B2 (en) * | 2005-09-16 | 2009-08-04 | General Electric Company | System and method for monitoring degradation |
US8795170B2 (en) | 2005-11-29 | 2014-08-05 | Venture Gain LLC | Residual based monitoring of human health |
US7990382B2 (en) | 2006-01-03 | 2011-08-02 | Masimo Corporation | Virtual display |
US7668579B2 (en) | 2006-02-10 | 2010-02-23 | Lynn Lawrence A | System and method for the detection of physiologic response to stimulation |
US7577548B1 (en) * | 2006-03-04 | 2009-08-18 | Hrl Laboratories | Integrated framework for diagnosis and prognosis of components |
EP3367386A1 (en) | 2006-05-02 | 2018-08-29 | Proteus Digital Health, Inc. | Patient customized therapeutic regimens |
US10188348B2 (en) | 2006-06-05 | 2019-01-29 | Masimo Corporation | Parameter upgrade system |
US20080020037A1 (en) * | 2006-07-11 | 2008-01-24 | Robertson Timothy L | Acoustic Pharma-Informatics System |
US7536276B2 (en) * | 2006-07-27 | 2009-05-19 | Siemens Buildings Technologies, Inc. | Method and apparatus for equipment health monitoring |
US7880626B2 (en) | 2006-10-12 | 2011-02-01 | Masimo Corporation | System and method for monitoring the life of a physiological sensor |
EP2087589B1 (en) * | 2006-10-17 | 2011-11-23 | Proteus Biomedical, Inc. | Low voltage oscillator for medical devices |
JP5916277B2 (ja) * | 2006-10-25 | 2016-05-11 | プロテウス デジタル ヘルス, インコーポレイテッド | 摂取可能な制御活性化識別子 |
US8718193B2 (en) | 2006-11-20 | 2014-05-06 | Proteus Digital Health, Inc. | Active signal processing personal health signal receivers |
US7933754B2 (en) * | 2006-12-07 | 2011-04-26 | General Electric Company | System and method for damage propagation estimation |
US7395188B1 (en) * | 2006-12-07 | 2008-07-01 | General Electric Company | System and method for equipment life estimation |
CN101686800A (zh) | 2007-02-01 | 2010-03-31 | 普罗秋斯生物医学公司 | 可摄入事件标记器系统 |
EP2111661B1 (en) | 2007-02-14 | 2017-04-12 | Proteus Digital Health, Inc. | In-body power source having high surface area electrode |
EP2063771A1 (en) | 2007-03-09 | 2009-06-03 | Proteus Biomedical, Inc. | In-body device having a deployable antenna |
WO2008112577A1 (en) | 2007-03-09 | 2008-09-18 | Proteus Biomedical, Inc. | In-body device having a multi-directional transmitter |
US8115618B2 (en) * | 2007-05-24 | 2012-02-14 | Proteus Biomedical, Inc. | RFID antenna for in-body device |
EP4011289A1 (en) | 2007-09-25 | 2022-06-15 | Otsuka Pharmaceutical Co., Ltd. | In-body device with virtual dipole signal amplification |
US8274360B2 (en) | 2007-10-12 | 2012-09-25 | Masimo Corporation | Systems and methods for storing, analyzing, and retrieving medical data |
US8310336B2 (en) | 2008-10-10 | 2012-11-13 | Masimo Corporation | Systems and methods for storing, analyzing, retrieving and displaying streaming medical data |
EP2053475A1 (de) * | 2007-10-26 | 2009-04-29 | Siemens Aktiengesellschaft | Verfahren zur Analyse des Betriebs einer Gasturbine |
ES2840773T3 (es) | 2008-03-05 | 2021-07-07 | Otsuka Pharma Co Ltd | Sistemas y marcadores de eventos ingeribles de comunicación multimodo |
US8352216B2 (en) * | 2008-05-29 | 2013-01-08 | General Electric Company | System and method for advanced condition monitoring of an asset system |
CN102159134B (zh) | 2008-07-08 | 2015-05-27 | 普罗透斯数字保健公司 | 可摄取事件标记数据框架 |
US8540633B2 (en) | 2008-08-13 | 2013-09-24 | Proteus Digital Health, Inc. | Identifier circuits for generating unique identifiable indicators and techniques for producing same |
ES2383562T3 (es) * | 2008-10-01 | 2012-06-22 | Siemens Aktiengesellschaft | Método y sistema de monitorización de estado de turbina eólica |
GB0818544D0 (en) | 2008-10-09 | 2008-11-19 | Oxford Biosignals Ltd | Improvements in or relating to multi-parameter monitoring |
WO2010057049A2 (en) * | 2008-11-13 | 2010-05-20 | Proteus Biomedical, Inc. | Ingestible therapy activator system and method |
US8055334B2 (en) | 2008-12-11 | 2011-11-08 | Proteus Biomedical, Inc. | Evaluation of gastrointestinal function using portable electroviscerography systems and methods of using the same |
US9439566B2 (en) | 2008-12-15 | 2016-09-13 | Proteus Digital Health, Inc. | Re-wearable wireless device |
FR2939924B1 (fr) * | 2008-12-15 | 2012-10-12 | Snecma | Identification de defaillances dans un moteur d'aeronef |
TWI503101B (zh) * | 2008-12-15 | 2015-10-11 | Proteus Digital Health Inc | 與身體有關的接收器及其方法 |
US9659423B2 (en) | 2008-12-15 | 2017-05-23 | Proteus Digital Health, Inc. | Personal authentication apparatus system and method |
US8321118B2 (en) * | 2008-12-23 | 2012-11-27 | Honeywell International Inc. | Operations support systems and methods with power assurance |
US8306778B2 (en) * | 2008-12-23 | 2012-11-06 | Embraer S.A. | Prognostics and health monitoring for electro-mechanical systems and components |
CA2750158A1 (en) | 2009-01-06 | 2010-07-15 | Proteus Biomedical, Inc. | Ingestion-related biofeedback and personalized medical therapy method and system |
CN102365084B (zh) | 2009-01-06 | 2014-04-30 | 普罗秋斯数字健康公司 | 药剂递送系统 |
EP2404253B1 (en) | 2009-03-04 | 2019-09-18 | Masimo Corporation | Medical monitoring system |
US10032002B2 (en) | 2009-03-04 | 2018-07-24 | Masimo Corporation | Medical monitoring system |
US10007758B2 (en) | 2009-03-04 | 2018-06-26 | Masimo Corporation | Medical monitoring system |
US9323894B2 (en) | 2011-08-19 | 2016-04-26 | Masimo Corporation | Health care sanitation monitoring system |
GB2480965B (en) | 2009-03-25 | 2014-10-08 | Proteus Digital Health Inc | Probablistic pharmacokinetic and pharmacodynamic modeling |
EA201190281A1 (ru) | 2009-04-28 | 2012-04-30 | Протиус Байомедикал, Инк. | Высоконадежные проглатываемые отметчики режима и способы их применения |
US9149423B2 (en) | 2009-05-12 | 2015-10-06 | Proteus Digital Health, Inc. | Ingestible event markers comprising an ingestible component |
US8571619B2 (en) | 2009-05-20 | 2013-10-29 | Masimo Corporation | Hemoglobin display and patient treatment |
US8558563B2 (en) | 2009-08-21 | 2013-10-15 | Proteus Digital Health, Inc. | Apparatus and method for measuring biochemical parameters |
US20110106747A1 (en) * | 2009-10-30 | 2011-05-05 | General Electric Company | Turbine life assessment and inspection system and methods |
TWI517050B (zh) | 2009-11-04 | 2016-01-11 | 普羅托斯數位健康公司 | 供應鏈管理之系統 |
UA109424C2 (uk) | 2009-12-02 | 2015-08-25 | Фармацевтичний продукт, фармацевтична таблетка з електронним маркером і спосіб виготовлення фармацевтичної таблетки | |
CA2788336C (en) | 2010-02-01 | 2018-05-01 | Proteus Digital Health, Inc. | Data gathering system |
US9597487B2 (en) | 2010-04-07 | 2017-03-21 | Proteus Digital Health, Inc. | Miniature ingestible device |
US8862433B2 (en) | 2010-05-18 | 2014-10-14 | United Technologies Corporation | Partitioning of turbomachine faults |
TWI557672B (zh) | 2010-05-19 | 2016-11-11 | 波提亞斯數位康健公司 | 用於從製造商跟蹤藥物直到患者之電腦系統及電腦實施之方法、用於確認將藥物給予患者的設備及方法、患者介面裝置 |
EP2642983A4 (en) | 2010-11-22 | 2014-03-12 | Proteus Digital Health Inc | DEVICE INGREABLE WITH PHARMACEUTICAL PRODUCT |
EP2683291B1 (en) | 2011-03-11 | 2019-07-31 | Proteus Digital Health, Inc. | Wearable personal body associated device with various physical configurations |
US9466032B2 (en) | 2011-06-03 | 2016-10-11 | Siemens Aktiengesellschaft | Method for the computer-supported generation of a data-driven model of a technical system, in particular of a gas turbine or wind turbine |
US9032785B1 (en) | 2011-07-01 | 2015-05-19 | The United States Of America As Represented By The Administrator National Aeronautics And Space Administration | Method for making measurements of the post-combustion residence time in a gas turbine engine |
US9756874B2 (en) | 2011-07-11 | 2017-09-12 | Proteus Digital Health, Inc. | Masticable ingestible product and communication system therefor |
WO2015112603A1 (en) | 2014-01-21 | 2015-07-30 | Proteus Digital Health, Inc. | Masticable ingestible product and communication system therefor |
KR101898964B1 (ko) | 2011-07-21 | 2018-09-14 | 프로테우스 디지털 헬스, 인코포레이티드 | 모바일 통신 장치, 시스템, 및 방법 |
US9404895B2 (en) * | 2011-10-20 | 2016-08-02 | Nalco Company | Method for early warning chatter detection and asset protection management |
US9235683B2 (en) | 2011-11-09 | 2016-01-12 | Proteus Digital Health, Inc. | Apparatus, system, and method for managing adherence to a regimen |
EP2626696A1 (en) * | 2012-02-10 | 2013-08-14 | Acosense AB | Acoustic measurement system with circular buffer |
US9080925B2 (en) * | 2012-06-13 | 2015-07-14 | The Boeing Company | Engine vibration and engine trim balance test system, apparatus and method |
US9733141B1 (en) | 2012-06-27 | 2017-08-15 | The United States Of America As Represented By The Administrator Of National Aeronautics And Space Administration | Method for making measurements of the post-combustion residence time in a gas turbine engine |
EP2874886B1 (en) | 2012-07-23 | 2023-12-20 | Otsuka Pharmaceutical Co., Ltd. | Techniques for manufacturing ingestible event markers comprising an ingestible component |
US9280637B2 (en) | 2012-10-05 | 2016-03-08 | Cerner Innovation, Inc. | Multi-action button for mobile devices |
US9014918B2 (en) | 2012-10-12 | 2015-04-21 | Cummins Inc. | Health monitoring systems and techniques for vehicle systems |
MX340182B (es) | 2012-10-18 | 2016-06-28 | Proteus Digital Health Inc | Aparato, sistema, y metodo para optimizar adaptativamente la disipacion de energia y la energia de difusion en una fuente de energia para un dispositivo de comunicacion. |
US9185202B2 (en) | 2012-12-31 | 2015-11-10 | Cerner Innovation, Inc. | Alert management utilizing mobile devices |
US10275570B2 (en) | 2012-12-31 | 2019-04-30 | Cerner Innovation, Inc. | Closed loop alert management |
TWI659994B (zh) | 2013-01-29 | 2019-05-21 | 美商普羅托斯數位健康公司 | 高度可膨脹之聚合型薄膜及包含彼之組成物 |
WO2014151929A1 (en) | 2013-03-15 | 2014-09-25 | Proteus Digital Health, Inc. | Personal authentication apparatus system and method |
US10175376B2 (en) | 2013-03-15 | 2019-01-08 | Proteus Digital Health, Inc. | Metal detector apparatus, system, and method |
EP3005281A4 (en) | 2013-06-04 | 2017-06-28 | Proteus Digital Health, Inc. | System, apparatus and methods for data collection and assessing outcomes |
US9796576B2 (en) | 2013-08-30 | 2017-10-24 | Proteus Digital Health, Inc. | Container with electronically controlled interlock |
EP3047618B1 (en) | 2013-09-20 | 2023-11-08 | Otsuka Pharmaceutical Co., Ltd. | Methods, devices and systems for receiving and decoding a signal in the presence of noise using slices and warping |
US9577864B2 (en) | 2013-09-24 | 2017-02-21 | Proteus Digital Health, Inc. | Method and apparatus for use with received electromagnetic signal at a frequency not known exactly in advance |
US10084880B2 (en) | 2013-11-04 | 2018-09-25 | Proteus Digital Health, Inc. | Social media networking based on physiologic information |
US10330018B2 (en) * | 2014-03-24 | 2019-06-25 | Rolls-Royce Corporation | Integrating design and field management of gas turbine engine components with a probabilistic model |
US9846426B2 (en) * | 2014-07-28 | 2017-12-19 | Computational Systems, Inc. | Parallel digital signal processing of machine vibration data |
US11051543B2 (en) | 2015-07-21 | 2021-07-06 | Otsuka Pharmaceutical Co. Ltd. | Alginate on adhesive bilayer laminate film |
US10607728B2 (en) | 2015-10-06 | 2020-03-31 | Cerner Innovation, Inc. | Alert optimizer |
JP6735034B2 (ja) * | 2015-10-13 | 2020-08-05 | 日本電気株式会社 | 構造物異常検知装置、構造物異常検知方法、記録媒体及び構造物異常検知システム |
US10037411B2 (en) | 2015-12-30 | 2018-07-31 | Cerner Innovation, Inc. | Intelligent alert suppression |
MX2019000888A (es) | 2016-07-22 | 2019-06-03 | Proteus Digital Health Inc | Percepcion y deteccion electromagnetica de marcadores de evento ingeribles. |
IL265827B2 (en) | 2016-10-26 | 2023-03-01 | Proteus Digital Health Inc | Methods for producing capsules with ingestible event markers |
EP3327419B1 (en) * | 2016-11-29 | 2020-09-09 | STS Intellimon Limited | Engine health diagnostic apparatus and method |
US11226615B2 (en) | 2017-05-02 | 2022-01-18 | Lateral Solutions, Inc. | Control system for machine with a plurality of components and methods of operation |
US10941725B2 (en) | 2017-06-27 | 2021-03-09 | Rolls-Royce Corporation | Vibration feedback controller |
US10957445B2 (en) | 2017-10-05 | 2021-03-23 | Hill-Rom Services, Inc. | Caregiver and staff information system |
CN111295477B (zh) | 2017-10-24 | 2022-05-06 | 埃科莱布美国股份有限公司 | 经由振动分析在造纸系统中的沉积物检测 |
JP6947077B2 (ja) * | 2018-02-26 | 2021-10-13 | 株式会社Ihi | ガスタービンの整備時期予測方法及びその装置 |
CN108535358A (zh) * | 2018-04-10 | 2018-09-14 | 沈阳化工大学 | 一种变壁厚回转工件缺陷检测装置及其方法 |
WO2019215807A1 (ja) * | 2018-05-08 | 2019-11-14 | 日本電気株式会社 | 監視装置、学習装置、監視方法、学習方法及び記憶媒体 |
DE102018115354A1 (de) * | 2018-06-26 | 2020-01-02 | Rolls-Royce Deutschland Ltd & Co Kg | Vorrichtung und Verfahren zur Bestimmung mindestens eines Rotationsparameters einer rotierenden Vorrichtung |
CN109142547B (zh) * | 2018-08-08 | 2021-02-23 | 广东省智能制造研究所 | 一种基于卷积神经网络的声学在线无损检测方法 |
US11455848B2 (en) | 2019-09-27 | 2022-09-27 | Ge Aviation Systems Limited | Preserving vehicular raw vibration data for post-event analysis |
CN110697075B (zh) * | 2019-09-29 | 2022-11-25 | 中国直升机设计研究所 | 一种直升机hums振动阈值生成方法 |
CN111257415B (zh) * | 2020-01-17 | 2021-08-10 | 同济大学 | 基于移动列车振动信号的隧道损伤检测管理系统 |
Family Cites Families (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US568718A (en) * | 1896-09-29 | George | ||
WO1984000417A1 (en) | 1982-07-06 | 1984-02-02 | Ford Motor Co | Frequency domain engine defect signal analysis |
JPH04211859A (ja) * | 1990-02-28 | 1992-08-03 | Chiyoda Corp | 異常認知方法 |
US5402521A (en) * | 1990-02-28 | 1995-03-28 | Chiyoda Corporation | Method for recognition of abnormal conditions using neural networks |
US5210704A (en) * | 1990-10-02 | 1993-05-11 | Technology International Incorporated | System for prognosis and diagnostics of failure and wearout monitoring and for prediction of life expectancy of helicopter gearboxes and other rotating equipment |
US5206816A (en) * | 1991-01-30 | 1993-04-27 | Westinghouse Electric Corp. | System and method for monitoring synchronous blade vibration |
DE4118580A1 (de) | 1991-06-06 | 1992-12-10 | Bosch Gmbh Robert | System zum erkennen von aussetzern in einem verbrennungsmotor |
JPH063215A (ja) * | 1992-06-19 | 1994-01-11 | Kao Corp | 回転機器の診断方法及び診断装置 |
JPH06109498A (ja) * | 1992-09-29 | 1994-04-19 | Toshiba Corp | 非定常および異常状態の検出装置 |
GB2277151B (en) * | 1993-04-05 | 1997-06-25 | Univ Brunel | Neural network based machine health monitoring system |
US5710723A (en) | 1995-04-05 | 1998-01-20 | Dayton T. Brown | Method and apparatus for performing pre-emptive maintenance on operating equipment |
US5774376A (en) * | 1995-08-07 | 1998-06-30 | Manning; Raymund A. | Structural health monitoring using active members and neural networks |
US5847658A (en) * | 1995-08-15 | 1998-12-08 | Omron Corporation | Vibration monitor and monitoring method |
JPH0990027A (ja) * | 1995-09-20 | 1997-04-04 | Mitsubishi Electric Corp | 目標曲進判定装置 |
US5684718A (en) | 1996-02-12 | 1997-11-04 | Westinghouse Electric Corporation | Method and apparatus for monitoring the operation of an electric generator |
US5784273A (en) * | 1996-11-07 | 1998-07-21 | Madhavan; Poovanpilli G. | Method and system for predicting limit cycle oscillations and control method and system utilizing same |
US5995910A (en) * | 1997-08-29 | 1999-11-30 | Reliance Electric Industrial Company | Method and system for synthesizing vibration data |
US6216066B1 (en) * | 1998-07-01 | 2001-04-10 | General Electric Company | System and method for generating alerts through multi-variate data assessment |
DE19860333A1 (de) | 1998-12-24 | 2000-06-29 | Schenck Vibro Gmbh | Verfahren zur modellbasierten schwingungsdiagnostischen Überwachung rotierender Maschinen |
US6006157A (en) | 1999-05-03 | 1999-12-21 | Ford Global Technologies, Inc. | Real-time engine misfire detection method |
-
2000
- 2000-07-05 GB GBGB0016561.3A patent/GB0016561D0/en not_active Ceased
-
2001
- 2001-07-05 DE DE60139778T patent/DE60139778D1/de not_active Expired - Lifetime
- 2001-07-05 AT AT01945535T patent/ATE441836T1/de active
- 2001-07-05 DK DK01945535T patent/DK1297313T3/da active
- 2001-07-05 ES ES01945535T patent/ES2332874T3/es not_active Expired - Lifetime
- 2001-07-05 US US09/898,008 patent/US6928370B2/en not_active Expired - Lifetime
- 2001-07-05 EP EP01945535A patent/EP1297313B1/en not_active Expired - Lifetime
- 2001-07-05 JP JP2002508056A patent/JP4859328B2/ja not_active Expired - Fee Related
- 2001-07-05 WO PCT/GB2001/003020 patent/WO2002003041A1/en active Application Filing
- 2001-07-05 AU AU2001267749A patent/AU2001267749A1/en not_active Abandoned
Also Published As
Publication number | Publication date |
---|---|
ATE441836T1 (de) | 2009-09-15 |
JP4859328B2 (ja) | 2012-01-25 |
DK1297313T3 (da) | 2009-12-14 |
US20020040278A1 (en) | 2002-04-04 |
DE60139778D1 (de) | 2009-10-15 |
AU2001267749A1 (en) | 2002-01-14 |
JP2004502932A (ja) | 2004-01-29 |
WO2002003041A1 (en) | 2002-01-10 |
EP1297313A1 (en) | 2003-04-02 |
GB0016561D0 (en) | 2000-08-23 |
EP1297313B1 (en) | 2009-09-02 |
US6928370B2 (en) | 2005-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
ES2332874T3 (es) | Monitorizar la salud de una central de produccion de energia. | |
US6999884B2 (en) | Bearing anomaly detection and location | |
US7243048B2 (en) | Fault detection system and method using multiway principal component analysis | |
Kalgren et al. | Defining PHM, a lexical evolution of maintenance and logistics | |
Sun et al. | A non-probabilistic metric derived from condition information for operational reliability assessment of aero-engines | |
GB2427726A (en) | A method and system for hierarchical fault classification and diagnosis in large systems | |
US20110224922A1 (en) | Method for preprocessing vibro-sensor signals for engine diagnostics and device for carrying out thereof | |
CN107209512A (zh) | 用于机器的声学或振动分析的学习阶段的方法、系统及计算机程序 | |
JP2006063986A (ja) | 装置の調子を評価するための器械および方法 | |
CN113400652A (zh) | 基于振动信号的3d打印机监测与诊断知识库装置、系统 | |
CN106233115A (zh) | 估计飞行器发动机的物理参数的测量值是否正常的方法 | |
BR112017007968B1 (pt) | Método e dispositivo para monitoramento de uma roda de pás do motor da aeronave através da medição da posição de equilíbrio | |
BR112015000292B1 (pt) | método para detectar degradação de uma turbomáquina | |
Loboda et al. | A more realistic scheme of deviation error representation for gas turbine diagnostics | |
JP2015518104A (ja) | 過渡状態期間における発電装置の不具合の分類および検出 | |
Kulagin et al. | Automated identification of critical malfunctions of aircraft engines based on modified wavelet transform and deep neural network clustering | |
US20240111279A1 (en) | Method and Apparatus for Classification and Prediction of Health of a Physical System | |
JP2011256833A (ja) | 内燃機関の状態監視方法及び装置 | |
Chinakay et al. | A PCA-based fault monitoring of splitter nozzles in gas turbine combustion chamber using exhaust gas temperature | |
Cox et al. | Rotor Blade Fault Detection Through Statistical Analysis of Stationary Component Vibration | |
Przysowa et al. | Health monitoring of turbomachinery based on blade tip-timing and tip-clearance | |
RU2754479C1 (ru) | Способ вибродиагностики технического состояния газотурбинных двигателей на ресурсосберегающих режимах с применением теории инвариантов | |
RU2754476C1 (ru) | Способ вибродиагностики технического состояния газотурбинных двигателей на ресурсосберегающих режимах с применением теории инвариантов | |
Singh et al. | On-board fault diagnosis of a laboratory mini SR-30 gas turbine engine | |
Roemer et al. | Advanced test cell diagnostics for gas turbine engines |