RU2699685C1 - Method of analyzing and monitoring the state of a technical installation comprising a plurality of dynamic systems - Google Patents
Method of analyzing and monitoring the state of a technical installation comprising a plurality of dynamic systems Download PDFInfo
- Publication number
- RU2699685C1 RU2699685C1 RU2018145187A RU2018145187A RU2699685C1 RU 2699685 C1 RU2699685 C1 RU 2699685C1 RU 2018145187 A RU2018145187 A RU 2018145187A RU 2018145187 A RU2018145187 A RU 2018145187A RU 2699685 C1 RU2699685 C1 RU 2699685C1
- Authority
- RU
- Russia
- Prior art keywords
- technical installation
- dynamic
- systems
- output data
- dynamic models
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/40—Data acquisition and logging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
-
- G—PHYSICS
- G08—SIGNALLING
- G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
- G08C25/00—Arrangements for preventing or correcting errors; Monitoring arrangements
Abstract
Description
Изобретение относится к области измерительной техники и может быть использовано для контроля и анализа состояния сложных многопараметрических объектов. Данный способ может применяться в области диагностирования.The invention relates to the field of measurement technology and can be used to monitor and analyze the status of complex multi-parameter objects. This method can be used in the field of diagnosis.
Известен способ автоматического измерения и контроля многопараметрических объектов, представленный в источнике «Автоматическая аппаратура контроля радиоэлектронного оборудования» / Под ред. Пономарева Н.Н. - М.: Советское радио, 1975, с. 5-10 и 293-318, включающий выбор с помощью коммутатора параметров, измерение параметров, преобразование параметров в цифровые данные, удобные для обработки на ЭВМ, регистрацию этих данных и их анализ, а также отображение и документирование результатов анализа.The known method of automatic measurement and control of multiparameter objects, presented in the source "Automatic control equipment for electronic equipment" / Ed. Ponomareva N.N. - M .: Soviet Radio, 1975, p. 5-10 and 293-318, including selecting parameters using a switch, measuring parameters, converting parameters into digital data suitable for computer processing, recording these data and analyzing them, as well as displaying and documenting the results of the analysis.
Недостатком данного известного способа является его узкая специализация, ограниченная возможностями контроля технического состояния радиоэлектронного оборудования, что является недостаточным для оценки эффективности больших систем. Кроме того, контроль состояния оборудования выполняется путем сравнения с экспертно-заданными значениями, что ограничивает возможности к автоматическому расширению спектра контролируемых параметров.The disadvantage of this known method is its narrow specialization, limited by the ability to control the technical condition of electronic equipment, which is insufficient to assess the effectiveness of large systems. In addition, equipment status is monitored by comparing it with expertly set values, which limits the ability to automatically expand the range of monitored parameters.
Известен способ оценки эффективности больших систем, содержащих большое число контролируемых параметров, представленный в патенте на изобретение RU №2210112 опубл. 10.08.2003 г., МПК G07C 3/08, G06F 17/00, состоящий в том, что предварительно МПС задают в виде иерархии его однотипных структурных элементов (ОСЭ); задают частные показатели состояния, поставленные в соответствие каждому ОСЭ, нормативные значения, соответствующие каждому частному показателю состояния, весовые коэффициенты важности, соответствующие каждому частному показателю состояния ОСЭ; а также заблаговременно в запоминающее устройство (ЗУ) терминального сервера записывают программу вычисления частных показателей и, наконец, предварительно в ЗУ рабочей станции загружают сведения, полученные в процессе опроса экспертов данной области знаний, выбирают методику вычисления и запускают эту процедуру, выбирают с помощью коммутатора измеряемые параметры, автоматически считывают информацию с датчиков через преобразователи и записывают ее в ЗУ считанной информации в терминальном сервере, преобразуют величины параметров в соответствующие цифровые данные с помощью различных специальных преобразователей, запоминают цифровые данные в запоминающем устройстве, вычисляют частные и обобщенный показателей состояния МПС по программе вычисления показателей состояния с помощью терминального сервера, сравнивают их с предварительно заданными значениями, отображают и документируют результаты вычислений и сравнений на видеомониторе и принтере.There is a method of evaluating the effectiveness of large systems containing a large number of controlled parameters, presented in the patent for invention RU No. 2210112 publ. 08/10/2003, IPC G07C 3/08, G06F 17/00, consisting in the fact that preliminary the MPS are defined as a hierarchy of its structural elements of the same type (OSE); set private indicators of the state, put in correspondence with each OSE, standard values corresponding to each particular indicator of the state, weighting factors of importance, corresponding to each particular indicator of the state of the OSE; and in advance, a program for calculating private indicators is written to the terminal server’s memory (memory) and, finally, the information obtained during the survey of experts in this field of knowledge is loaded into the memory of the workstation, the calculation method is selected and this procedure is started, the measured variables are selected using the switch parameters, automatically read the information from the sensors through the converters and write it to the memory of the read information in the terminal server, convert the parameter values in s corresponding digital data using various special converters, store digital data in a storage device, calculate the partial and generalized indicators of the state of the MPS using the state indicator calculation program using a terminal server, compare them with preset values, display and document the results of calculations and comparisons on a video monitor and printer.
К недостаткам данного способа следует отнести ограниченную функциональность и оперативность оценки состояния МПС. Кроме того, контроль состояния оборудования выполняется путем сравнения с экспертно-заданными значениями, что ограничивает возможности к автоматическому расширению спектра контролируемых параметров.The disadvantages of this method include the limited functionality and efficiency of assessing the state of MPS. In addition, equipment status is monitored by comparing it with expertly set values, which limits the ability to automatically expand the range of monitored parameters.
Известен способ технической диагностики сложного технологического оборудования на основе нейронных сетей, представленный в патенте на изобретение RU №2563161 опубл. 20.09.2015 г., МПК G06N 3/08, G06F 15/18, G05B 23/02, состоящий в том, что сначала на технологическом оборудовании и в рабочей зоне размещают датчики и производят измерения и преобразования сигналов, задающих рабочие и структурные параметры сложного технологического оборудования, после чего формируют сигналы обучения для нейронной сети в форме векторов значений входов и выходов и по этим сигналам проводят первоначальное обучение нейронной сети, затем обученную нейронную сеть подключают к входам и выходам модуля интеллектуального анализа, который содержит динамическую модель, реализованную на обученной нейронной сети, причем в процессе работы технологического оборудования производят измерения и преобразования сигналов от датчиков и на основе этих сигналов улучшают динамическую модель путем дополнительного обучения нейронной сети, добавления новых параметров и выявления новых взаимных связей между упомянутыми параметрами, согласно изобретению после первоначального обучения нейронной сети к ней добавляют избыточные нейроны, а в процессе дополнительного обучения нейронной сети выбирают активные и избыточные нейроны, которые не влияют на результат диагностики, причем избыточные нейроны активируют при последующем дополнительном обучении нейронной сети или при отказе нейронов сети. Согласно изобретению критерием выбора избыточных нейронов является значение суммарной вероятности ошибок первого и второго рода. Согласно изобретению критерием выбора избыточных нейронов является значение суммы масштабирующих коэффициентов для входных и выходных сигналов нейрона обученной нейронной сети. Согласно изобретению сигналы от датчиков, задающие рабочие и структурные параметры сложного технологического оборудования, сначала преобразуют в форму суммы рядов Фурье, причем используют существенно большее количество членов ряда и большую точность измерения параметров, чем требуется для технической диагностики, затем оценивают остаток ряда, после чего рассчитывают значения коэффициентов временных рядов и преобразуют их в двоичные коды и цифровые сигналы и подают на входы обученной нейронной сети.A known method for the technical diagnosis of complex technological equipment based on neural networks, presented in the patent for invention RU No. 2563161 publ. September 20, 2015, IPC G06N 3/08, G06F 15/18, G05B 23/02, consisting in the fact that first sensors are placed on the technological equipment and in the working area and measurements and transformations of signals that specify the working and structural parameters of a complex of technological equipment, after which training signals for the neural network are formed in the form of vectors of input and output values and these signals are used for initial training of the neural network, then the trained neural network is connected to the inputs and outputs of the intelligent analysis module, which contains a dynamic model implemented on a trained neural network, moreover, during the operation of technological equipment, measurements and conversions of signals from sensors are performed and, based on these signals, the dynamic model is improved by additionally training the neural network, adding new parameters and identifying new mutual relationships between the mentioned parameters, according to the invention after the initial training of the neural network, excess neurons are added to it, and during the additional training of the neural network, knock out ayut active and redundant neurons that do not affect the diagnostic result, the redundant neurons are activated in subsequent additional training neural networks or neural network failure. According to the invention, the criterion for selecting excess neurons is the value of the total probability of errors of the first and second kind. According to the invention, the criterion for selecting excess neurons is the value of the sum of the scaling factors for the input and output signals of the neuron of the trained neural network. According to the invention, signals from sensors that specify the working and structural parameters of complex technological equipment are first converted into the form of the sum of the Fourier series, moreover, they use a significantly larger number of series members and a greater accuracy of parameter measurement than is required for technical diagnostics, then the remainder of the series is evaluated, and then they are calculated the values of the coefficients of time series and convert them into binary codes and digital signals and fed to the inputs of a trained neural network.
К недостаткам данного способа следует отнести невысокую достоверность ввиду использования только технологии искусственных нейронных сетей, которые по своей сути ограничены возможностями обработки и интерпретации накопленных на текущий момент статистических данных.The disadvantages of this method include low reliability due to the use of only technology of artificial neural networks, which are inherently limited by the ability to process and interpret the currently accumulated statistical data.
В качестве ближайшего аналога (прототипа) выбран способ для контроля технической установки, содержащей множество систем, в частности установки электростанции, представленный в патенте на изобретение RU №2313815 опубл. 27.12.2007 г., МПК G05B 23/02, G05B 17/02, состоящий в том, что в нем предусмотрены следующие операции. Сначала в технической установке, в рабочей зоне ее систем, размещают датчики и производят измерения и преобразования сигналов, задающих рабочие и структурные параметры технической установки и ее систем. На основании полученных данных, а также с использованием соответствующих физических уравнений строят не менее одной динамической модели для каждой системы, входящих в состав технической установки. К динамической модели, по крайней мере, одной системы технической установки подводят в качестве входных данных рабочие параметры или рабочие и структурные параметры технической установки. Посредством динамической модели определяют выходные данные, которые характеризуют мгновенное и/или будущее поведение в эксплуатации систем. Посредством прямого контроля определяют реальные выходные данные, которые характеризуют мгновенное текущее состояние систем технической установки. Посредством методов искусственного интеллекта ищут в рабочих параметрах или рабочих и структурных параметрах системы зависимости между рабочими параметрами или рабочими и структурными параметрами и интегрируют идентифицированные при этом зависимости в динамическую модель в качестве новых зависимостей. Улучшение динамической модели в отношении повышения точности прогнозирования поведения системы охватывает идентификацию таких входных данных, которые ранее еще не были использованы динамической моделью. С помощью этих входных данных динамическая модель является расширяемой. "Динамическая модель" может быть описана детерминистично и аналитически или также посредством методов, основанных на искусственном интеллекте. Она может охватывать также физические и математические уравнения. Охваченными являются также комбинации названных элементов, в частности физические и/или математические уравнения, которые объединены с помощью методов, основанных на искусственном интеллекте. Таким образом, динамическая модель системы содержит один или несколько элементов из группы: графическая характеристика, физическое уравнение, нейронная сеть, нечеткая логика, генетический алгоритм.As the closest analogue (prototype), a method was selected for monitoring a technical installation containing many systems, in particular, a power plant installation, as presented in RU patent No. 2313815 publ. December 27, 2007, IPC G05B 23/02, G05B 17/02, consisting in the fact that it provides for the following operations. First, in the technical installation, in the working area of its systems, sensors are placed and measurements and conversions are made that specify the working and structural parameters of the technical installation and its systems. On the basis of the data obtained, as well as using the appropriate physical equations, at least one dynamic model is built for each system that is part of the technical installation. The dynamic model of at least one technical installation system is supplied as input with operating parameters or operational and structural parameters of the technical installation. Using a dynamic model, output data is defined that characterizes the instantaneous and / or future behavior in the operation of the systems. Through direct control, real output data is determined that characterizes the instantaneous current state of the technical installation systems. Using artificial intelligence methods, in the operating parameters or operating and structural parameters of a system, they look for relationships between operating parameters or operating and structural parameters and integrate the dependencies identified in this into the dynamic model as new dependencies. Improving the dynamic model with respect to improving the accuracy of predicting the behavior of the system covers the identification of such input data that has not yet been used by the dynamic model. Using this input, the dynamic model is extensible. A “dynamic model" can be described deterministically and analytically, or also by methods based on artificial intelligence. It can also cover physical and mathematical equations. Also included are combinations of these elements, in particular physical and / or mathematical equations, which are combined using methods based on artificial intelligence. Thus, the dynamic model of the system contains one or more elements from the group: graphical characteristic, physical equation, neural network, fuzzy logic, genetic algorithm.
Прототип изобретения имеет следующие недостатки. Прототип изобретения решает задачу технической диагностики за счет расширения числа рабочих и структурных параметров технической установки, поиска новых корреляционных зависимостей между параметрами и включения этих зависимостей в динамические модели системы, формируя таким образом сложную динамическую модель каждой системы технической установки. Для того чтобы использовать сложную динамическую модель системы требуются значительные вычислительные ресурсы. Еще более значительные вычислительные ресурсы требуются для того, чтобы использовать для задач контроля множество динамических моделей систем, входящих в состав общей модели технической установки. Таким образом, «улучшение» динамических моделей приведет, на определенном шаге, к снижению эффективности работы системы технической диагностики, за счет увеличения затрат времени на ее использование.The prototype of the invention has the following disadvantages. The prototype of the invention solves the problem of technical diagnostics by expanding the number of working and structural parameters of the technical installation, searching for new correlation dependencies between the parameters and including these dependencies in the dynamic model of the system, thus forming a complex dynamic model of each system of the technical installation. In order to use a complex dynamic model of the system, significant computational resources are required. Even more significant computing resources are required in order to use for the control tasks many dynamic models of systems that are part of the general model of a technical installation. Thus, the "improvement" of dynamic models will lead, at a certain step, to a decrease in the efficiency of the technical diagnostic system, due to an increase in the time spent on its use.
Технический результат, на достижение которого направлено изобретение, заключается в повышении оперативности оценки состояния сложной динамической технической установки, включающей множество подсистем.The technical result to which the invention is directed is to increase the efficiency of assessing the status of a complex dynamic technical installation, including many subsystems.
Технический результат достигается благодаря тому, что в способе для контроля технической установки, содержащей множество систем, в частности установки электростанции, включающем: размещение в технической установке, в рабочей зоне ее систем, датчиков и произведение измерений и преобразований сигналов, задающих рабочие и структурные параметры технической установки и ее систем; построение на основании полученных данных и/или с использованием соответствующих физических уравнений расширяемых динамических моделей для каждой системы, входящих в состав технической установки; подведение к расширяемым динамическим моделям систем технической установки в качестве входных данных рабочих параметров или рабочих и структурных параметров технической установки; определение посредством динамических моделей выходных данных, которые характеризуют мгновенное и/или будущее поведение в эксплуатации систем технической установки; определение посредством прямого контроля реальных выходных данных, которые характеризуют мгновенное текущее состояние систем технической установки; поиск посредством методов искусственного интеллекта в рабочих параметрах или рабочих и структурных параметрах системы зависимостей между рабочими параметрами или рабочими и структурными параметрами и интегрирование идентифицированных при этом зависимостей в динамические модели в качестве новых зависимостей, предусмотрены следующие отличия: для каждой системы, входящей в состав технической установки, строят не менее двух динамических моделей, из которых по крайней мере одна является расширяемой высокоточной динамической моделью, основанной на системе уравнений, полученной, например, методом конечных элементов, и одна является улучшаемой упрощенной быстродействующей динамической моделью, полученной, например, путем понижения порядка расширяемой высокоточной динамической модели системы или, но не ограничиваясь, методом главный компонент; дополнительно строится динамическая обобщенная модель технической установки, интегрирующая в себе все улучшаемые упрощенные быстродействующие динамические модели; определение выходных данных, которые характеризуют мгновенное и/или будущее поведение в эксплуатации системы и технической установки в целом осуществляется циклично в виде следующей последовательности действий: посредством одной из расширяемых высокоточных динамических моделей выполняется моделирование работы одной системы технической установки, при этом на каждом этапе цикла выбирается следующая по порядку система; с помощью динамической модели системы осуществляется определение выходных данных, которые характеризуют мгновенное и/или будущее поведение в ее эксплуатации; осуществляется определение реальных выходных данных, которые характеризуют мгновенное поведение в ее эксплуатации; осуществляется сравнение полученных результатов и определение необходимости улучшения и/или расширения высокоточной динамической модели системы и, в случае необходимости, поиск посредством методов искусственного интеллекта в рабочих параметрах или рабочих и структурных параметрах рассматриваемой системы зависимостей между рабочими параметрами или рабочими и структурными параметрами и интегрирование идентифицированных при этом зависимостей в соответствующую расширяемую динамическую модель рассматриваемой системы в качестве новых зависимостей; затем осуществляется расчет выходных данных, которые характеризуют мгновенное и/или будущее поведение в эксплуатации всех составляющих систем и технической установки в целом с помощью улучшаемых упрощенных быстродействующих динамических моделей; осуществляется определение реальных выходных данных, которые характеризуют мгновенное поведение технической установки в эксплуатации; осуществляется сравнение полученных результатов; в случае обнаружения значимого расхождения для каких-либо из систем технической установки, осуществляется их моделирование с использованием соответствующих расширяемых высокоточных динамических моделей; на основании моделирования делается вывод либо о необходимости улучшения упрощенных быстродействующих динамических моделей (в случае отсутствия в действительности отклонений в работе систем технической установки), либо формируется вывод о причинах скрытой неисправности (в данном случае улучшенных быстродействующих динамических моделей не выполняется).The technical result is achieved due to the fact that in the method for monitoring a technical installation containing many systems, in particular a power plant installation, including: placing in a technical installation, in the working area of its systems, sensors and making measurements and signal transformations that specify the working and structural parameters of the technical installation and its systems; building on the basis of the obtained data and / or using the appropriate physical equations of expandable dynamic models for each system that are part of the technical installation; bringing to expandable dynamic models of technical installation systems as input to operating parameters or operating and structural parameters of a technical installation; determination by means of dynamic models of output data that characterize instantaneous and / or future behavior in the operation of systems of a technical installation; determination through direct control of the actual output data that characterize the instantaneous current state of the technical installation systems; search by means of artificial intelligence methods in the operating parameters or operating and structural parameters of the system of dependencies between operating parameters or operating and structural parameters and integrating the dependencies identified in this into dynamic models as new dependencies, the following differences are provided: for each system included in the technical installation , build at least two dynamic models, of which at least one is an extensible high-precision dynamic model, about based on a system of equations obtained, for example, by the finite element method, and one is an improved simplified high-speed dynamic model obtained, for example, by lowering the order of an expandable high-precision dynamic model of the system or, but not limited to, the main component method; in addition, a dynamic generalized model of a technical installation is built, integrating all the improved simplified high-speed dynamic models into itself; determination of the output data that characterize the instantaneous and / or future behavior in the operation of the system and the technical installation as a whole is carried out cyclically in the form of the following sequence of actions: by means of one of the expandable high-precision dynamic models, the operation of one system of the technical installation is simulated, with each step of the cycle being selected next in order system; using the dynamic model of the system, the definition of the output data that characterize the instantaneous and / or future behavior in its operation is carried out; real output data that characterize the instantaneous behavior in its operation is determined; comparing the obtained results and determining the need to improve and / or expand the high-precision dynamic model of the system and, if necessary, search through the artificial intelligence methods in the operating parameters or operating and structural parameters of the system of the system under consideration for the dependencies between operating parameters or operating and structural parameters and integrating those identified when this dependencies into the corresponding expandable dynamic model of the system in question as output dependencies; then the output data is calculated that characterize the instantaneous and / or future behavior in operation of all component systems and the technical installation as a whole with the help of improved simplified high-speed dynamic models; real output is determined that characterizes the instantaneous behavior of the technical installation in operation; comparing the results; in the event that a significant discrepancy is found for any of the systems of the technical installation, they are simulated using the appropriate expandable high-precision dynamic models; Based on the simulation, a conclusion is made either about the need to improve simplified high-speed dynamic models (in the absence of actually deviations in the operation of the technical installation systems), or a conclusion is made about the causes of a hidden malfunction (in this case, improved high-speed dynamic models are not performed).
Пример конкретного выполнения способа анализа и контроля состояния технической установки, содержащей множество динамических систем, заключается в следующем:An example of a specific implementation of the method of analysis and control of the state of a technical installation containing many dynamic systems is as follows:
(а) в технической установке и в рабочей зоне ее систем размещают датчики и производят измерения и преобразование сигналов, задающих рабочие и структурные параметры технической установки и ее систем;(a) sensors are placed in the technical installation and in the working area of its systems and measure and convert signals that specify the working and structural parameters of the technical installation and its systems;
(б) строят на основании полученных данных и/или с использованием соответствующих физических уравнений не менее одной расширяемой высокоточной динамической модели для каждой системы, входящих в состав технической установки, причем расширяемая высокоточная динамическая модель системы основывается на системе физических уравнений, полученной, например, с использованием метода конечных элементов;(b) based on the obtained data and / or using the corresponding physical equations, at least one expandable high-precision dynamic model for each system that is part of the technical installation, and the expandable high-precision dynamic model of the system is based on a system of physical equations obtained, for example, from using the finite element method;
(в) строят на основании полученных данных и/или с использованием соответствующих физических уравнений не менее одной улучшаемой упрощенной быстродействующей динамической модели для каждой системы, входящих в состав технической установки, причем улучшаемая упрощенная быстродействующая динамическая модель системы содержит только физические уравнения и строится, например, путем понижения порядка расширяемой высокоточной динамической модели системы или, но не ограничиваясь, методом главный компонент;(c) build on the basis of the obtained data and / or using appropriate physical equations at least one improved simplified high-speed dynamic model for each system that is part of the technical installation, and the improved simplified high-speed dynamic model of the system contains only physical equations and is constructed, for example, by lowering the order of the expandable high-precision dynamic model of the system or, but not limited to, the main component method;
(г) строят динамическую обобщенную модель технической установки, интегрирующую в себе все улучшаемые упрощенные быстродействующие динамические модели;(d) build a dynamic generalized model of a technical installation that integrates all the improved simplified high-speed dynamic models;
(д) подводят к расширяемым высокоточным динамическим моделям систем технической установки в качестве входных данных рабочих параметров или рабочих и структурных параметров технической установки;(e) lead to expandable high-precision dynamic models of technical installation systems as input to operating parameters or operating and structural parameters of a technical installation;
(е) определяют выходные данные, которые характеризуют мгновенное и/или будущее поведение в эксплуатации системы и технической установки в целом циклично в виде следующей последовательности действий:(e) determine the output that characterizes the instantaneous and / or future behavior in the operation of the system and the technical installation as a whole cyclically in the form of the following sequence of actions:
1. посредством одной из расширяемых высокоточных динамических моделей выполняют моделирование работы одной системы технической установки, при этом на каждом этапе цикла выбирают следующую по порядку систему;1. by means of one of the expandable high-precision dynamic models, the operation of one system of a technical installation is simulated, and at each stage of the cycle, the next system is selected in order;
2. с помощью динамической модели системы осуществляют определение выходных данных, которые характеризуют мгновенное и/или будущее поведение в ее эксплуатации;2. using a dynamic model of the system, determine the output data that characterize the instantaneous and / or future behavior in its operation;
3. осуществляют определение реальных выходных данных, которые характеризуют мгновенное поведение в ее эксплуатации;3. carry out the definition of real output data that characterize the instantaneous behavior in its operation;
4. осуществляют сравнение полученных результатов и определение необходимости улучшения и/или расширения высокоточной динамической модели системы и, в случае необходимости, поиск посредством методов искусственного интеллекта в рабочих параметрах или рабочих и структурных параметрах рассматриваемой системы зависимостей между рабочими параметрами или рабочими и структурными параметрами и интегрирование идентифицированных при этом зависимостей в соответствующую расширяемую динамическую модель рассматриваемой системы в качестве новых зависимостей;4. carry out a comparison of the obtained results and determine the need to improve and / or expand the high-precision dynamic model of the system and, if necessary, search through the methods of artificial intelligence in the working parameters or working and structural parameters of the considered system of the relationships between the working parameters or working and structural parameters and integration dependencies identified in this case into the corresponding expandable dynamic model of the system in question as s dependency;
5. осуществляют расчет выходных данных, которые характеризуют мгновенное и/или будущее поведение в эксплуатации всех составляющих систем и технической установки в целом с помощью улучшаемых упрощенных быстродействующих динамических моделей;5. carry out the calculation of the output data that characterize the instantaneous and / or future behavior in the operation of all component systems and the technical installation as a whole with the help of improved simplified high-speed dynamic models;
6. осуществляют определение реальных выходных данных, которые характеризуют мгновенное поведение технической установки в эксплуатации; осуществляют сравнение полученных результатов;6. determine the real output data that characterize the instantaneous behavior of the technical installation in operation; carry out a comparison of the results;
7. при обнаружении значимого расхождения для каких-либо из систем технической установки, осуществляют их моделирование с использованием соответствующих расширяемых высокоточных динамических моделей;7. upon detection of a significant discrepancy for any of the systems of the technical installation, they are modeled using the appropriate expandable high-precision dynamic models;
8. на основании моделирования делают вывод о необходимости улучшения упрощенных быстродействующих динамических моделей при отсутствии в действительности отклонений в работе систем технической установки, либо формируют вывод о причинах скрытой неисправности и улучшение быстродействующих динамических моделей не выполняют.8. Based on the simulation, they conclude that it is necessary to improve simplified high-speed dynamic models in the absence of actually deviations in the operation of technical installation systems, or they make a conclusion about the causes of a hidden malfunction and do not improve high-speed dynamic models.
Между совокупностью существенных признаков заявляемого изобретения и достигаемым техническим результатом существует причинно-следственная связь, а именно: за счет организации цикличной системы оценки состояния систем технической установки, при которой на каждом этапе цикла может быть расширена только одна расширяемая динамическая высокоточная модель системы осуществляется повышение оперативности оценки состояния сложной динамической технической установки, включающей множество подсистем, при этом, за счет использования дополнительных улучшаемых упрощенных быстродействующих динамических моделей систем не происходит существенного снижения в достоверности.Between the totality of the essential features of the claimed invention and the technical result achieved, there is a causal relationship, namely: by organizing a cyclic system for assessing the state of systems of a technical installation, in which at each stage of the cycle only one expandable dynamic high-precision model of the system can be expanded, the evaluation efficiency is increased the state of a complex dynamic technical installation, including many subsystems, while, through the use of complements ial upgradable simplified models of high-speed dynamic systems there is no significant decline in confidence.
Claims (1)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2018145187A RU2699685C1 (en) | 2018-12-18 | 2018-12-18 | Method of analyzing and monitoring the state of a technical installation comprising a plurality of dynamic systems |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2018145187A RU2699685C1 (en) | 2018-12-18 | 2018-12-18 | Method of analyzing and monitoring the state of a technical installation comprising a plurality of dynamic systems |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2699685C1 true RU2699685C1 (en) | 2019-09-09 |
Family
ID=67851964
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2018145187A RU2699685C1 (en) | 2018-12-18 | 2018-12-18 | Method of analyzing and monitoring the state of a technical installation comprising a plurality of dynamic systems |
Country Status (1)
| Country | Link |
|---|---|
| RU (1) | RU2699685C1 (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2719507C1 (en) * | 2019-12-16 | 2020-04-20 | федеральное государственное бюджетное образовательное учреждение высшего образования "Санкт-Петербургский горный университет" | Method for assessing the technical state of a consumer controller based on neural network diagnosis |
| RU2809934C1 (en) * | 2020-01-14 | 2023-12-19 | ДжФЕ СТИЛ КОРПОРЕЙШН | System for diagnostics of anomalies and method for diagnostics of anomalies |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU73101U1 (en) * | 2007-12-29 | 2008-05-10 | Владислав Александрович Зотов | DEVICE FOR MODELING THE BEHAVIOR OF A DYNAMIC SYSTEM WITH NON-STATIONARY COMMUNICATIONS |
| RU2557477C2 (en) * | 2013-12-05 | 2015-07-20 | Акционерное общество "Ракетно-космический центр "Прогресс" (АО "РКЦ "Прогресс") | Method of computer-aided processing and analysis of telemetry data on multiparameter object and system to this end |
| RU2563161C2 (en) * | 2013-07-18 | 2015-09-20 | Федеральное государственное бюджетное учреждение науки Институт конструкторско-технологической информатики Российской академии наук (ИКТИ РАН) | Method and device of technical diagnostics of complex process equipment on basis of neuron net |
| RU2575417C2 (en) * | 2011-08-18 | 2016-02-20 | Сименс Акциенгезелльшафт | Method for computer modelling of engineering system |
| RU2607977C1 (en) * | 2015-06-30 | 2017-01-11 | Александр Игоревич Колотыгин | Method of creating model of object |
| RU2630415C2 (en) * | 2016-02-20 | 2017-09-07 | Открытое Акционерное Общество "Информационные Технологии И Коммуникационные Системы" | Method for detecting anomalous work of network server (options) |
| WO2018162034A1 (en) * | 2017-03-06 | 2018-09-13 | Telefonaktiebolaget Lm Ericsson (Publ) | Method and control node for enabling detection of states in a computer system |
-
2018
- 2018-12-18 RU RU2018145187A patent/RU2699685C1/en active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU73101U1 (en) * | 2007-12-29 | 2008-05-10 | Владислав Александрович Зотов | DEVICE FOR MODELING THE BEHAVIOR OF A DYNAMIC SYSTEM WITH NON-STATIONARY COMMUNICATIONS |
| RU2575417C2 (en) * | 2011-08-18 | 2016-02-20 | Сименс Акциенгезелльшафт | Method for computer modelling of engineering system |
| RU2563161C2 (en) * | 2013-07-18 | 2015-09-20 | Федеральное государственное бюджетное учреждение науки Институт конструкторско-технологической информатики Российской академии наук (ИКТИ РАН) | Method and device of technical diagnostics of complex process equipment on basis of neuron net |
| RU2557477C2 (en) * | 2013-12-05 | 2015-07-20 | Акционерное общество "Ракетно-космический центр "Прогресс" (АО "РКЦ "Прогресс") | Method of computer-aided processing and analysis of telemetry data on multiparameter object and system to this end |
| RU2607977C1 (en) * | 2015-06-30 | 2017-01-11 | Александр Игоревич Колотыгин | Method of creating model of object |
| RU2630415C2 (en) * | 2016-02-20 | 2017-09-07 | Открытое Акционерное Общество "Информационные Технологии И Коммуникационные Системы" | Method for detecting anomalous work of network server (options) |
| WO2018162034A1 (en) * | 2017-03-06 | 2018-09-13 | Telefonaktiebolaget Lm Ericsson (Publ) | Method and control node for enabling detection of states in a computer system |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2719507C1 (en) * | 2019-12-16 | 2020-04-20 | федеральное государственное бюджетное образовательное учреждение высшего образования "Санкт-Петербургский горный университет" | Method for assessing the technical state of a consumer controller based on neural network diagnosis |
| RU2809934C1 (en) * | 2020-01-14 | 2023-12-19 | ДжФЕ СТИЛ КОРПОРЕЙШН | System for diagnostics of anomalies and method for diagnostics of anomalies |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11092952B2 (en) | Plant abnormality detection method and system | |
| US10997711B2 (en) | Appearance inspection device | |
| CN112131212A (en) | Hybrid cloud scene-oriented time sequence data anomaly prediction method based on ensemble learning technology | |
| KR20160143512A (en) | Advanced analytical infrastructure for machine learning | |
| US8090676B2 (en) | Systems and methods for real time classification and performance monitoring of batch processes | |
| CN113298297B (en) | Wind power output power prediction method based on isolated forest and WGAN network | |
| CN111459700A (en) | Method and apparatus for diagnosing device failure, diagnostic device, and storage medium | |
| US20210042585A1 (en) | Abnormality detection device, abnormality detection method and computer readable medium | |
| RU2563161C2 (en) | Method and device of technical diagnostics of complex process equipment on basis of neuron net | |
| CN111400850B (en) | Equipment fault analysis method, device, equipment and storage medium | |
| CN115063588A (en) | Data processing method, device, equipment and storage medium | |
| CN112416662A (en) | Multi-time series data anomaly detection method and device | |
| CN115204536A (en) | Building equipment fault prediction method, device, equipment and storage medium | |
| CN113888353A (en) | Energy efficiency diagnosis method, system and medium for distributed photovoltaic power generation equipment | |
| RU2699685C1 (en) | Method of analyzing and monitoring the state of a technical installation comprising a plurality of dynamic systems | |
| CN113110961B (en) | Equipment abnormality detection method and device, computer equipment and readable storage medium | |
| Dong et al. | Prognostics 102: efficient Bayesian-based prognostics algorithm in Matlab | |
| CN111930728A (en) | Method and system for predicting characteristic parameters and fault rate of equipment | |
| Bond et al. | A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data | |
| Tahat et al. | An evaluation of machine learning algorithms in an experimental structural health monitoring system incorporating LoRa IoT connectivity | |
| Zelyakovskiy et al. | The intelligent system for monitoring and technical diagnostics of complex technological equipment in the agro-industrial complex | |
| Solomentsev et al. | A Procedure for Failures Diagnostics of Aviation Radio Equipment | |
| CN110865939A (en) | Application program quality monitoring method and device, computer equipment and storage medium | |
| CN113704085A (en) | Method and device for checking a technical system | |
| EP3839530A1 (en) | Methods and systems for assessing printed circuit boards |