RU2739727C1 - Method and system for remote monitoring and prediction of state of process objects - Google Patents
Method and system for remote monitoring and prediction of state of process objects Download PDFInfo
- Publication number
- RU2739727C1 RU2739727C1 RU2020122349A RU2020122349A RU2739727C1 RU 2739727 C1 RU2739727 C1 RU 2739727C1 RU 2020122349 A RU2020122349 A RU 2020122349A RU 2020122349 A RU2020122349 A RU 2020122349A RU 2739727 C1 RU2739727 C1 RU 2739727C1
- Authority
- RU
- Russia
- Prior art keywords
- indicators
- parameters
- state
- data
- control
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/02—Mechanical actuation
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B23/00—Alarms responsive to unspecified undesired or abnormal conditions
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
Изобретение относится к удаленному мониторингу и прогнозированию (способ и система) технического состояния широкого набора агрегатов (в том числе, для отдельных типов устройств): газовых энергетических турбин, паровых энергетических турбин, газодожимных компрессорных станции, генераторов, трансформаторов, энергетических паровых котлов, газопоршневых агрегатов, насосов, электродвигателей, гидротурбин, теплообменников и т.п. The invention relates to remote monitoring and forecasting (method and system) of the technical state of a wide range of units (including for certain types of devices): gas power turbines, steam power turbines, gas booster compressor stations, generators, transformers, power steam boilers, gas piston units , pumps, electric motors, hydro turbines, heat exchangers, etc.
Технические параметры оборудования, находящегося на разных стадиях жизненного цикла и работающего в различных режимах/условиях, могут существенно отличаться. Это создает сложности с определением базы (эталонных характеристик агрегата) для выявления аномальных отклонений параметра. Эталонная модель должна создаваться для каждой единицы оборудования индивидуально «в моменте», поскольку данные (сигналы с датчиков) имеют высокую вариативность: при изменении внешних условий (например, температуры окружающей среды) или внутренних показателей функционирования агрегата (например, частота вращения ротора) наблюдаются существенные изменения большого количества технических параметров (температура, вибрация, электрическое сопротивление и пр.). После смены режима работы или проведения ремонта узла, значения некоторых технических параметров могут изменяться скачкообразно. Еще одной особенностью реальных данных является высокая шумовая составляющая – датчики могут отказывать (в том числе, временно переставать передавать данные), что также требует корректировки эталонной модели в режиме реального времени.The technical parameters of equipment at different stages of its life cycle and operating in different modes / conditions may differ significantly. This creates difficulties in determining the base (reference characteristics of the unit) to identify abnormal parameter deviations. The reference model should be created for each piece of equipment individually "in the moment", since the data (signals from sensors) have a high variability: when external conditions (for example, ambient temperature) or internal performance indicators of the unit (for example, rotor speed) change, significant changes in a large number of technical parameters (temperature, vibration, electrical resistance, etc.). After changing the operating mode or repairing the unit, the values of some technical parameters may change abruptly. Another feature of real data is a high noise component - sensors can fail (including temporarily stop transmitting data), which also requires adjusting the reference model in real time.
Известно устройство и способ для контроля технической установки, содержащей множество систем, в частности установки электростанции (RU2313815C2). В данном патенте применяется динамическая обучаемая модель для прогнозирования выхода из строя элементов контролируемого объекта, в частности, энергетической установки. Модель основана на применении нейронных сетей и/или генетических алгоритмов и реализуется за счет использования модуля анализа, который ищет в рабочих параметрах или рабочих и структурных параметрах системы зависимости между рабочими параметрами или рабочими и структурными параметрами посредством методов искусственного интеллекта и интегрирует идентифицированные при этом зависимости в динамическую модель в качестве новых зависимостей и тем самым улучшает ее в отношении повышения точности прогнозирования поведения системы, и посредством этого динамическая модель системы является улучшаемой в отношении повышения точности прогнозирования поведения системы во время эксплуатации системы, причем посредством модуля анализа являются определяемыми выходные данные, которые характеризуют мгновенное и/или будущее поведение в эксплуатации системы.A device and method are known for monitoring a technical installation containing many systems, in particular a power plant installation (RU2313815C2). In this patent, a dynamic learning model is used to predict the failure of elements of a controlled object, in particular, a power plant. The model is based on the use of neural networks and / or genetic algorithms and is implemented through the use of an analysis module that searches in the operating parameters or operating and structural parameters of the system for relationships between operating parameters or operating and structural parameters using artificial intelligence methods and integrates the identified dependencies into the dynamic model as new dependencies and thereby improves it in terms of increasing the accuracy of predicting the behavior of the system, and thereby the dynamic model of the system is improved in terms of increasing the accuracy of predicting the behavior of the system during the operation of the system, and through the analysis module, the output data that characterize instantaneous and / or future behavior in system operation.
Недостатком данного решения является использование одной модели, а также принципа нейросети, для которой необходимы, как сложные вычислительные мощности, так и постоянное обучение, обусловленное сложной моделью прогностики, что не позволяет быстро и точно определить возможное будущее нарушение работы объекта контроля.The disadvantage of this solution is the use of one model, as well as the principle of a neural network, which requires both complex computing power and constant learning, due to a complex prognostic model, which does not allow to quickly and accurately determine a possible future violation of the control object.
Известна система и способ для прогнозирования жизненного цикла работы газотурбинной установки (US10626748B2), содержащая блок анализа состояния турбины, определяющий его на основании параметров ее состояния, в частности, температуры, вибрационных показателей и т.п., которые обрабатываются с помощью физической модели турбины. Каждому из полученных параметров объекта контроля присваивается весовой коэффициент, на основании которого осуществляется контроль работы объекта для последующего сравнения с параметрами работы турбины и подстройки ее работы для увеличения жизненного цикла.A known system and method for predicting the life cycle of a gas turbine plant (US10626748B2), containing a turbine state analysis unit, which determines it based on its state parameters, in particular, temperature, vibration indicators, etc., which are processed using a physical turbine model. Each of the obtained parameters of the controlled object is assigned a weight coefficient, on the basis of which the object's operation is monitored for subsequent comparison with the parameters of the turbine's operation and adjusting its operation to increase the life cycle.
Данное решение не содержит моделирование процесса работы турбины с помощью метода обучаемых моделей на базе эталонных выборок параметров контроля, в частности, техники оценки многомерных состояний MSET (Multivariate State Estimation Technique), что не позволяет быстро и точно определить возможное будущее нарушение работы объекта контроля с помощью оперативного обучения прогностической модели работы оборудования.This solution does not contain modeling of the turbine operation process using the method of trained models based on reference samples of control parameters, in particular, the MSET (Multivariate State Estimation Technique) multidimensional state estimation technique, which does not allow to quickly and accurately determine a possible future violation of the control object using operational training of the predictive model of equipment operation.
Известна система онлайн контроля за технологическим процессом на основании многомерного анализа (US8014880B2), которая выполняет анализ состояния объекта на основании многовариантной модели, построенной на базе тренировочного набора данных, получаемого от набора датчиков, и реализует построение ряда моделей текущего состояния работы оборудования и моделей нормального состояния оборудования для их дальнейшего сравнения.There is a known online process control system based on multivariate analysis (US8014880B2), which analyzes the state of an object based on a multivariate model built on the basis of a training data set obtained from a set of sensors, and implements the construction of a number of models of the current state of equipment operation and models of the normal state equipment for their further comparison.
Недостатком данного решения является отсутствие обновления модели в зависимости от режима работы объекта контроля и обновления моделей прогнозирования работы объекта контроля на основании фильтрации эталонной выборки, строящейся на показателях, поступающих от объекта контроля.The disadvantage of this solution is the lack of updating the model depending on the mode of operation of the controlled object and updating the models for predicting the operation of the controlled object based on filtering the reference sample based on the indicators coming from the controlled object.
Известен способ (система) анализа данных телеметрии (US9152530B2). Во время работы объекта контроля система периодически получает данные телеметрии в виде набора переменных телеметрии из отслеживаемой системы и обновляет многомерное распределение данных телеметрии в реальном времени с использованием полученных переменных телеметрии. Затем система анализирует статистическое отклонение многомерного распределения в реальном времени от многомерного эталонного распределения для отслеживаемой системы. A known method (system) for analyzing telemetry data (US9152530B2). During operation of the monitored object, the system periodically receives telemetry data in the form of a set of telemetry variables from the monitored system and updates the multivariate distribution of telemetry data in real time using the received telemetry variables. The system then analyzes the statistical deviation of the multivariate distribution in real time from the multivariate reference distribution for the monitored system.
Статистическая модель не может учитывать в полном объёме скорость и характер происходящих в объекте контроля неопасных изменений. Выражается это в большом количестве ложных срабатываний.The statistical model cannot fully take into account the speed and nature of non-hazardous changes occurring in the control object. This is expressed in a large number of false positives.
Известны способ и система для удаленного мониторинга и прогнозирования состояния технологических объектов (RU2626780C1). В способе для удаленного мониторинга и прогнозирования состояния технологических объектов, относящихся к турбоагрегатам, получают данные от объекта контроля; формируют на основании этих данных эталонную выборку показателей работы и строят матрицы состояния из компонентов точек выборки. На основании MSET метода с помощью матрицы состояния строят эмпирические модели прогнозирования состояния объекта. Определяют по разности компонентов наблюдаемой точки и точки, моделирующей состояние объекта, компоненты невязок. Определяют разладки, отображающие степень влияния показателей работы объекта на отклонение показателей параметров объекта. Анализируют поступающую информацию от объекта контроля. Определяют степень отклонения параметров объекта от показателей эмпирических моделей и выявляют разладки для таких показателей. Ранжируют вычисленные разладки. Обновляют на основании отфильтрованной выборки эмпирические модели и формируют сигнал отклонении параметра объекта контроля на основании обновленной модели. Эмпирические модели представляют собой статистические и динамические модели. Для статистической модели предпочтительным и достаточным шагом дискретизации является запись изменения значений раз в 10 минут, в то время как для динамической модели – раз в 1 секунду. По факту, с точки зрения достигаемого результата, и те и другие модели являются статичными.The known method and system for remote monitoring and forecasting of the state of technological objects (RU2626780C1). In the method for remote monitoring and predicting the state of technological objects related to turbine units, data is obtained from the controlled object; form on the basis of these data a reference sample of performance indicators and build state matrices from the components of the sample points. Based on the MSET method, empirical models for predicting the state of an object are built using the state matrix. The residual components are determined by the difference between the components of the observed point and the point that simulates the state of the object. Determine the differences that reflect the degree of influence of the indicators of the object on the deviation of the indicators of the parameters of the object. Analyze the incoming information from the controlled object. Determine the degree of deviation of the parameters of the object from the indicators of empirical models and identify the deviations for such indicators. The calculated differences are ranked. The empirical models are updated based on the filtered sample and a signal of the deviation of the parameter of the control object is generated based on the updated model. Empirical models are statistical and dynamic models. For a statistical model, a preferable and sufficient sampling step is to record changes in values every 10 minutes, while for a dynamic model - once every 1 second. In fact, from the point of view of the achieved result, both models are static.
Статичные модели (например, критические уровни параметров, установленных заводом-изготовителем) обладают заведомо низкой чувствительностью либо способствуют идентификации ложных аномалий. Необходима адаптивная динамическая модель.Static models (for example, critical levels of parameters set by the manufacturer) are known to have low sensitivity or contribute to the identification of false anomalies. An adaptive dynamic model is needed.
Адаптивная динамическая эталонная модель может быть построена в рамках системы с обратными связями, обеспечивающими необходимые корректировки в зависимости от скорости и характера изменения первичных данных, а также в соответствии с запросами внешних пользователей (экспертов).An adaptive dynamic reference model can be built within the framework of a system with feedbacks providing the necessary adjustments depending on the speed and nature of changes in the primary data, as well as in accordance with the requests of external users (experts).
В техническом решении по патенту RU2626780C1, выбранном в качестве прототипа, также используется однонаправленная потоковая модель обработки данных без обратных связей, построение эталонной матрицы состояний и анализ данных осуществляется с использованием первичных данных, без предварительной обработки, на базе математического инструментария MSET и расчетом интегрального критерия Т2, характеризующего отклонение фактических показателей технологических параметров объекта контроля от эталонной матрицы. Эталонная модель (матрица состояний) является статичной, что, в совокупности перечисленными выше особенностями способа, приводит к недостаточной точности и адаптируемости системы к изменяющимся в процессе эксплуатации характеристикам оборудования, а также неэффективности использования для обработки массивов динамических данных с высокой вариативностью, характерной для большинства интенсивно эксплуатируемых промышленных агрегатов.In the technical solution for patent RU2626780C1, selected as a prototype, a unidirectional stream model of data processing without feedbacks is also used, the construction of a reference matrix of states and data analysis is carried out using primary data, without preliminary processing, based on the mathematical tools MSET and the calculation of the integral criterion T 2 , characterizing the deviation of the actual indicators of technological parameters of the control object from the reference matrix. The reference model (matrix of states) is static, which, in the aggregate of the above-mentioned features of the method, leads to insufficient accuracy and adaptability of the system to the characteristics of the equipment changing during operation, as well as inefficiency of using dynamic data arrays with high variability for processing, which is typical for most intensively operated industrial units.
Задачей изобретения являлось создание новой системы и реализуемого в ней способа для удаленного мониторинга, диагностики и прогнозирования состояния технологических объектов, относящихся к турбоагрегатам, питательным насосам, турбогенераторам, котельному, вспомогательному оборудованию, трансформаторному, электросетевому и другому промышленному оборудованию, или узлов оборудования (далее – Объекты контроля), позволяющих выявлять изменения технического состояния и прогнозировать динамику изменения характеристик объекта контроля для предупреждения возникновения критических ситуаций. Способ и система обеспечивают возможность формирования адаптивной динамической эталонной модели объекта контроля и реализованы с использованием комплекса программных и аппаратных обратных связей, обеспечивающих оптимальную настройку для обработки массивов данных с высокой вариацией характеристик и наличием шумовой компоненты в режиме реального времени.The objective of the invention was to create a new system and a method implemented in it for remote monitoring, diagnostics and prediction of the state of technological objects related to turbine units, feed pumps, turbine generators, boiler, auxiliary equipment, transformer, power grid and other industrial equipment, or equipment units (hereinafter - Objects of control), allowing to identify changes in the technical state and predict the dynamics of changes in the characteristics of the controlled object to prevent the occurrence of critical situations. The method and system provide the possibility of forming an adaptive dynamic reference model of the control object and are implemented using a set of software and hardware feedbacks that provide optimal tuning for processing data arrays with high variation in characteristics and the presence of a noise component in real time.
Техническим результатом является повышение точности прогнозирования технических характеристик объекта контроля и снижение трудозатрат за счет увеличения степени автоматизации и скорости обработки данных.The technical result is to increase the accuracy of predicting the technical characteristics of the control object and reduce labor costs by increasing the degree of automation and speed of data processing.
Заявленный результат достигается с помощью реализации способа удаленного мониторинга и прогнозирования состояния технологических объектов, заключающегося в выполнении следующих этапов:The claimed result is achieved by implementing a method for remote monitoring and forecasting the state of technological objects, which consists in performing the following stages:
- Получение данных, характеризующих показатели технологических параметров работы объекта контроля через управляемую систему обратных связей (изменения и периодичность обновления каждого параметра). В результате формируется массив данных, состоящий из значений параметров, удовлетворяющий заданным условиям: включение значения параметра в массив производится только при наличии отклонения от предыдущего значения не менее, чем на определённую величину с требуемой периодичностью (заданными управляющими системами верхнего уровня). Наличие обратных связей позволяет формировать массив первичных данных оптимального размера, что способствует увеличению скорости обработки информации и снижает ресурсоемкость процесса;- Obtaining data characterizing the indicators of technological parameters of the control object through a controlled feedback system (changes and frequency of updating each parameter). As a result, a data array is formed, consisting of parameter values that satisfy the specified conditions: the parameter value is included in the array only if there is a deviation from the previous value by at least a certain amount with the required frequency (specified by the upper-level control systems). The presence of feedbacks allows you to form an array of primary data of the optimal size, which increases the speed of information processing and reduces the resource intensity of the process;
- Предварительная обработка данных. Корректировка первичных значений показателей с использованием фильтров пороговых значений и регрессионных моделей, из дальнейшей обработки исключаются: 1) статистически нехарактерные для массива значения, 2) значения, превышающие максимальные пороги, установленные заводом-производителем оборудования, 3) показатели с повторяющимися значениями, в том числе нулевыми (сигнализирует о выходе из строя датчика сигнала). Параметры с высокой корреляцией выделяются в отдельные группы (в дальнейшем используются для проверки/замещения при выходе из строя датчика сигнала). Осуществляется автоматическое изменение частоты обновления в случае существенных вариаций какого-либо параметра (чем больше вариации, тем выше частота обновления). Предварительная обработка повышает достоверность данных и способствует повышению точности формируемых далее эталонных выборок и дальнейшего анализа отклонений; - Pre-processing of data. Correction of primary values of indicators using filters of threshold values and regression models, the following are excluded from further processing: 1) statistically uncharacteristic values for the array, 2) values exceeding the maximum thresholds set by the equipment manufacturer, 3) indicators with repeated values, including zero (signals the failure of the signal sensor). Parameters with high correlation are allocated into separate groups (later used for checking / replacing in case of failure of the signal sensor). The refresh rate is automatically changed in case of significant variations of any parameter (the more the variation, the higher the refresh rate). Pre-processing increases the reliability of the data and improves the accuracy of the further generated reference samples and further analysis of deviations;
- Формирование последовательности эталонных выборок показателей работы объекта контроля, состоящих из значений данных показателей на определенных временных промежутках равной длины (например, с заданным смещением по времени одна относительно другой). Процесс повторяется с периодичностью, определяемой скоростью изменения значений параметров (чем медленнее происходят изменения, тем реже формируются выборки). Это также позволяет оптимизировать размеры массивов данных, обеспечивая увеличении скорости обработки информации при одновременном снижении ресурсоемкости процесса. Для повышения достоверности выборки в качестве точек используются узлы (нулевые значения) полиномов Чебышева первого рода степени n, где n=4-10, полученные в интервале выборки;- Formation of a sequence of reference samples of performance indicators of the control object, consisting of the values of these indicators at certain time intervals of equal length (for example, with a given time offset relative to one another). The process is repeated with a frequency determined by the rate of change in parameter values (the slower the changes occur, the less frequently the samples are formed). It also allows you to optimize the size of data arrays, providing an increase in the speed of information processing while reducing the resource intensity of the process. To increase the reliability of the sample, nodes (zero values) of the Chebyshev polynomials of the first kind of degree n are used as points, where n = 4-10, obtained in the sampling interval;
- Построение матриц состояния из компонентов точек для каждой эталонной выборки, в которой компонентами являются значения упомянутых показателей работы объекта контроля, с регуляризацией матриц путем умножения значений диагоналей матриц на скалярный множитель λ>0. Коэффициент λ находится методом градиентного спуска [Гилл Ф., Мюррей У., Райт М. Практическая оптимизация = Practical Optimization. — М.: Мир, 1985.]. Использование регуляризации данным методом позволяет повысить обусловленность матриц, улучшить расчет их модельных значений и снизить % некорректных расчетных значений;- Construction of state matrices from the components of points for each reference sample, in which the components are the values of the mentioned performance indicators of the control object, with the regularization of the matrices by multiplying the values of the diagonals of the matrices by the scalar factor λ> 0. The λ coefficient is found by the method of gradient descent [Gill F., Murray W., Wright M. Practical optimization = Practical Optimization. - M .: Mir, 1985.]. The use of regularization by this method makes it possible to increase the conditionality of matrices, improve the calculation of their model values and reduce the% of incorrect calculated values;
- Формирование (обновление) эталонной модели Объекта контроля (многомерной матрицы состояний с размерностью по числу параметров выборки) на базе наилучшей эталонной выборки с заданной периодичностью. Адаптивный характер динамической эталонной модели является более предпочтительным, вследствие неизбежных изменений технологических параметров объекта контроля в рамках его жизненного цикла, поскольку обеспечивает повышение точности идентификации истинных аномалий (нехарактерных отклонений фактических параметров от показателей эталонной модели). Показателями приближения к эталонной выборке могут являться снижение значений системных (многопараметрических) отклонений, возникающих в дальнейшем на этапе расчета критерия Т2, повышение корреляции между динамикой отклонений для параметров с высокой корреляцией на уровне первичных данных;- Formation (update) of the reference model of the Object of control (multidimensional matrix of states with dimension according to the number of sample parameters) based on the best reference sample with a given periodicity. The adaptive nature of the dynamic reference model is more preferable due to the inevitable changes in the technological parameters of the controlled object within its life cycle, since it provides an increase in the accuracy of identification of true anomalies (uncharacteristic deviations of the actual parameters from the indicators of the reference model). Indicators of approximation to the reference sample can be a decrease in the values of system (multiparameter) deviations that arise later at the stage of calculating the T 2 criterion, an increase in the correlation between the dynamics of deviations for parameters with high correlation at the level of primary data;
- Автокорректировка эталонной модели в случае выхода (временного) из строя одного или нескольких источников сигнала (значение параметра становится нулевым или сохраняет постоянный уровень в течение определенного времени), а также обратная корректировка при появлении изменяющегося сигнала. Обеспечивает более высокую точность эталонной модели в режиме реального времени;- Auto-correction of the reference model in the event of a (temporary) failure of one or more signal sources (the parameter value becomes zero or remains constant for a certain time), as well as reverse correction when a changing signal appears. Provides higher accuracy of the reference model in real time;
- Построение эмпирических моделей состояния объекта контроля с использованием MSET (Multivariate State Estimation Technique) метода на основании фактических первичных данных (технологических показателей функционирования объекта контроля) после предварительной обработки с частотой, определяемой скоростью изменений первичных данных. Каждая модель отображает наблюдаемую точку состояния объекта контроля в многомерном пространстве показателей его работы в точку, моделирующую его состояние. - Construction of empirical models of the state of the controlled object using the MSET (Multivariate State Estimation Technique) method based on actual primary data (technological indicators of the functioning of the controlled object) after preprocessing with a frequency determined by the rate of changes in the primary data. Each model displays the observed point of the state of the control object in the multidimensional space of its performance indicators to a point that simulates its state.
- Выявление отклонений фактических показателей функционирования объекта контроля от параметров эталонной модели в режиме реального времени. По разности компонентов наблюдаемой точки и точки, моделирующей состояние объекта, определяются компоненты невязок, на основании которых рассчитывается критерий Т2, характеризующий отклонение показателей технологических параметров объекта контроля от эталонной модели в наблюдаемой точке пространства. Критерий Т2 является квадратичной формой нормализованных невязок, коэффициентами которой являются элементы псевдообратной матрицы корреляционной матрицы для нормализованных невязок эталонной выборки. Системные (многопараметрические) отклонения, а также показатели корреляции между динамикой зависимых параметров используются для корректировки эталонной модели;- Revealing deviations of the actual performance indicators of the control object from the parameters of the reference model in real time. By the difference between the components of the observed point and the point that simulates the state of the object, the components of the residuals are determined, on the basis of which the criterion T 2 is calculated, characterizing the deviation of the indicators of technological parameters of the controlled object from the reference model at the observed point in space. Criterion T 2 is a quadratic form of the normalized residuals, the coefficients of which are the elements of the pseudoinverse matrix of the correlation matrix for the normalized residuals of the reference sample. Systemic (multivariable) deviations, as well as indicators of correlation between the dynamics of dependent parameters are used to adjust the reference model;
- Определение разладок, отображающих степень влияния показателей работы объекта контроля на упомянутое отклонение показателей технологических параметров, как разность критериев Т2 и квадратичных форм нормализованных невязок, с коэффициентами псевдообратной матрицы для матрицы, полученной из упомянутой корреляционной матрицы, в которой строка и столбец, соответствующие данному показателю работы объекта, заменены на нулевое значение. Использование полиномов Чебышева при формировании эталонной выборки позволяет достичь большей чувствительности выявления разладок по критерию T2 и повысить % выявления отклонений;- Determination of disturbances that reflect the degree of influence of the performance indicators of the control object on the mentioned deviation of technological parameters, as the difference between the T 2 criteria and the quadratic forms of normalized residuals, with the coefficients of the pseudoinverse matrix for the matrix obtained from the mentioned correlation matrix, in which the row and column corresponding to this indicator of the object's performance, replaced by zero. The use of Chebyshev polynomials in the formation of the reference sample makes it possible to achieve greater sensitivity of the detection of disturbances according to the T 2 criterion and to increase the% of detection of deviations;
- Ранжирование вычисленных разладок для выявления показателей, вносящих наибольший вклад в изменение технического состояния объекта контроля;- Ranking of the calculated disturbances to identify indicators that make the greatest contribution to the change in the technical state of the controlled object;
- Анализ динамики нехарактерных отклонений, прогнозирование сроков выхода параметра или группы параметров на пороговые значения. Позволяет заблаговременно выявлять нарастание отклонения технологического показателя функционирования от эталонного;- Analysis of the dynamics of uncharacteristic deviations, forecasting the timing of the exit of a parameter or a group of parameters to threshold values. Allows you to identify in advance the increase in deviation of the technological performance indicator from the reference;
- Формирование сигналов оповещения о наличии нехарактерного отклонения, превышающего пороговое значение и/или наличие динамики показателя с прогнозируемым превышением порогового значения в заданном временном горизонте;- Generation of warning signals about the presence of an uncharacteristic deviation exceeding the threshold value and / or the presence of the dynamics of the indicator with the predicted exceeding of the threshold value in a given time horizon;
- Обработка входящих запросов от внешних пользователей для возможной корректировки эталонной модели (определение временного интервала для формирования эталонной выборки) и управляющих сигналов на изменения для первичных данных. Позволяет рассматривать различные сценарии и анализировать устойчивость отклонений при изменении настроек процесса.- Processing of incoming requests from external users for possible adjustment of the reference model (determination of the time interval for the formation of the reference sample) and control signals for changes for the primary data. Allows you to consider various scenarios and analyze the stability of deviations when changing process settings.
В частном варианте, при формировании эталонной выборки, может использоваться выборочный подход: из массива первичных данных извлекается каждый N-й показатель (N=2, 3, …).In a particular version, when forming a reference sample, a selective approach can be used: each N-th indicator (N = 2, 3, ...) is extracted from the array of primary data.
В другом частном случае пороговые значения для выявления нехарактерных отклонений могут быть определены по техническим требованиям, определенным заводами-производителями оборудования или узлов.In another special case, the threshold values for detecting uncharacteristic deviations can be determined according to the technical requirements determined by the equipment or component manufacturers.
В другом частном варианте в процессе эксплуатации объекта контроля формируют архив (библиотеку) эталонных моделей для различных режимов работы и состояний объекта контроля после проведенных ремонтов отдельных узлов. Это позволяет обеспечить быстрый выбор максимально подходящей эталонной модели при изменении текущего состояния или режима работы Объекта.In another particular version, during the operation of the control object, an archive (library) of reference models is formed for various modes of operation and states of the control object after repairs of individual units. This allows you to quickly select the most suitable reference model when the current state or operating mode of the Object changes.
Заявленный технический результат достигается также за счет архитектуры аппаратной части системы удаленного мониторинга и прогнозирования (СУМиП), содержащей группу датчиков, связанных с объектом контроля и передающих информацию о технологических параметрах упомянутого объекта в основной сервер АСУ ТП или локальную САУ, предназначенные для накопления получаемых с контроллеров данных и последующей передачи упомянутых данных в зону нижнего уровня системы, включающую, по меньшей мере, OPC-коллектор, из которой посредством сети передачи данных данные технологических параметров объекта контроля передаются в зону верхнего уровня, которая содержит сервер верхнего уровня, в которую, согласно предложению, введены две группы обратных связей: группа адаптивных обратных связей эталонной модели и группа пользовательских обратных связей, при этом сервер верхнего уровня и OPC-коллектор выполнены с возможностью реализации способа по любому из пп. 1 – 4. The claimed technical result is also achieved due to the architecture of the hardware part of the remote monitoring and forecasting system (RMSP), which contains a group of sensors associated with the controlled object and transmitting information about the technological parameters of the said object to the main server of the APCS or local ACS, intended for accumulation of received from controllers data and the subsequent transmission of said data to the zone of the lower level of the system, including at least an OPC collector, from which, through the data transmission network, the data of technological parameters of the control object are transmitted to the zone of the upper level, which contains the server of the upper level, to which, according , two groups of feedbacks are introduced: a group of adaptive feedbacks of the reference model and a group of user feedbacks, while the top-level server and OPC-collector are made with the possibility of implementing the method according to any of paragraphs. 14.
В частном варианте при работе с локальными САУ и использованием промышленных протоколов типа IEC 60870, Profibus, Modbus управляемый ОРС-коллектор дополняется соответствующим OPC-конвертером, обеспечивающим преобразование данных в формат OPC-протокола;In a private version, when working with local ACS and using industrial protocols such as IEC 60870, Profibus, Modbus, the controlled OPC collector is supplemented with an appropriate OPC converter that converts data into the OPC protocol format;
В другом частном варианте интеграция всех модулей верхнего уровня осуществляется через web-сервер.In another particular embodiment, the integration of all top-level modules is carried out through a web server.
Реализация изобретения поясняется графическим материалом.The implementation of the invention is illustrated by graphic material.
На фиг. 1 показана алгоритмическая архитектура решения.FIG. 1 shows the algorithmic architecture of the solution.
На фиг. 2 показана аппаратная архитектура решения. FIG. 2 shows the hardware architecture of the solution.
На фиг. 3 показан вариант графического интерфейса пользователя СУМиП.FIG. 3 shows a variant of the SUMiP graphical user interface.
Способ удаленного мониторинга и прогнозирования состояния технологического объекта включает следующие основные этапы (фиг. 1): 1. Получение первичных данных от объекта контроля; 2. Предварительная обработка данных; 2а. Создание эмпирических моделей по методу MSET; 3. Формирование эталонных выборок; 4. Построение матриц состояния; 5. Формирование эталонной модели объекта контроля; 6. Анализ отклонений параметров (расчет Т2); 7. Определение и ранжирование разладок; 8. Формирование сигнала об отклонении (динамике) параметра.The method for remote monitoring and forecasting the state of a technological object includes the following main stages (Fig. 1): 1. Obtaining primary data from the object of control; 2. Pre-processing of data; 2a. Creation of empirical models using the MSET method; 3. Formation of reference samples; 4. Construction of state matrices; 5. Formation of a reference model of the control object; 6. Analysis of deviations of parameters (calculation of T 2 ); 7. Determination and ranking of disorders; 8. Formation of a signal about the deviation (dynamics) of the parameter.
Общая архитектура СУМиП включает в себя два уровня – верхний 9 и нижний 10, каждый из которых реализован на специальных серверах. Сервер нижнего уровня 10 обеспечивает взаимодействие с АСУ ТП 11 (локальными САУ 12), организует отбор необходимых данных, осуществляет буферизацию, шифрование и передачу данных на сервер верхнего уровня 9. Управление работой сервера нижнего уровня 10 осуществляется через сервер верхнего уровня 9, также доступны определенные настройки сервера нижнего уровня 10 через соответствующие файлы конфигурации. Сервер 13 верхнего уровня 9 обеспечивает решение аналитических задач по выявлению и прогнозированию отклонений, управляет потоком входных данных через сервер нижнего уровня 10, а также организует двустороннюю коммуникацию с пользователями.The general architecture of SUMiP includes two levels - upper 9 and lower 10, each of which is implemented on special servers. The lower-
В процессе эксплуатации объекта контроля сигналы с датчиков 14 состояния (температура, давление, частота/скорость вращения, расход, виброперемещение и виброскорость, мощность, напряжение и сила тока), связанных с различными узлами Объекта, в режиме реального времени поступают в АСУ ТП 11, либо в локальную САУ 12 предприятия. Параметры сигналов не подвергаются обработке или фильтрации. Основной элемент нижнего уровня СУМиП – ОРС-коллектор 15, обеспечивающий формирование требуемого массива данных в соответствии с заданным форматом управляющего сигнала на изменения и частоту обновления данных, ОРС-коллектор 15 связан с базой данных 16 сервера нижнего уровня 10. ОРС-коллектор 15, обеспечивает формирование требуемого массива данных в соответствии с параметрами управляющего сигнала, поступающего от систем (серверов) верхнего уровня 9. ОРС-коллектор 15 выполняет функцию управляющего маршрутизатора-преобразователя, меняя частоту передачи и состав данных. Для управления ОРС-коллектором 15 формируется дополнительный канал передачи данных, который может быть реализован, как в физически выделенном варианте, так и без выделения с организацией двустороннего трафика в основном канале. Канал передачи управляющего сигнала на ОРС-коллектор 15 является одним из элементов аппаратной части системы обратных связей СУМиП. База данных 16 содержит информацию за ограниченный период времени (для необходимого дублирования данных на случай локальных сбоев при передаче информации на верхний уровень 9).During the operation of the control object, signals from state sensors 14 (temperature, pressure, frequency / speed of rotation, flow rate, vibration displacement and vibration velocity, power, voltage and current) associated with various nodes of the Object are transmitted in real time to the
Организацию СУМиП на нижнем уровне 10 целесообразно выполнять в виде демилитаризованной зоны с помощью сетевых экранов, осуществляющих прием данных от сервера АСУ ТП 11 (локальной САУ 12) и дальнейшую передачу данных на более высокие уровни. Указанная схема изолирует оборудование АСУ ТП 11 (локальной САУ 12), обеспечивая сохранность получаемых данных при возникновении внештатных ситуаций. Важным компонентом архитектуры нижнего уровня СУМиП является криптошлюз 17, обеспечивающий защиту данных в процессе двустороннего обмена. Передача данных на верхний уровень 9 СУМиП осуществляется посредством сети Интернет в зашифрованном виде, в процессе передачи используется процедура синхронизации серверов (баз данных) нижнего 10 и верхнего 9 уровней.It is advisable to organize the SUMiP at the
Сервер 13 верхнего уровня выполняет несколько основных задач: 1) предварительная обработка и управление потоком первичных данных, 2) построение-актуализация эталонной модели, анализ отклонений и выявление аномалий; 3) организация двусторонних каналов обмена данных с пользователями 18; 4) интеграция-синхронизация данных от различных подсистем СУМиП (в том числе, экспертных модулей). С использованием сервера 13 верхнего уровня реализована управляющая часть комплекса аппаратно-программных обратных связей СУМиП: управление составом сигналов и частотой актуализации данных, автокорректировка эталонной модели, управление по запросам внешних пользователей 18.The top-
База данных верхнего уровня 9 содержит данные за весь период работы объекта контроля (после подключения к СУМиП), по прошествии определенного времени данные архивируются. Поступление и обработка данных на сервере верхнего уровня 9 осуществляется в режиме реального времени.The top-
Базовые алгоритмы обработки данных СУМиП, основанные на использовании MSET-метода с критерием Т2 (этап 2а), подробно описаны в Uncertainty Analysis of Memory Based Sensor Validation Techniques. Andrei V. Gribok, Aleksey M. Urmanov & J. Wesley Hines. Real-Time Systems volume 27, pages7–26(2004)The basic algorithms for processing SUMA data based on the use of the MSET method with the T 2 criterion (stage 2a) are described in detail in the Uncertainty Analysis of Memory Based Sensor Validation Techniques. Andrei V. Gribok, Aleksey M. Urmanov & J. Wesley Hines. Real-Time Systems volume 27, pages7-26 (2004)
Отличительными особенностями усовершенствованного способа являются:Distinctive features of the improved method are:
- Система управления первичными данными, включающая в себя управляющий сигнал на изменения и частоту обновления параметров с подсистемой предварительной обработки информации. Пороговые значения (уровни) изменений параметров (прирост, снижение) находятся в диапазоне 0-2% от значений предшествовавших показателей (при меньших вариациях параметра обновление данных не происходит). Уровень порогового значения для каждого параметра определяется присущей параметру вариативностью (на основании ретроспективных данных) и может устанавливаться автоматически или на основе экспертных оценок пользователя. Частота обновления параметра варьируется от 1 в секунду до 1 в 10 секунд в зависимости от скорости изменения первичного сигнала и также может устанавливаться автоматически или на основе экспертных оценок пользователя. Подсистема предварительной обработки информации идентифицирует отказ датчиков по уровню сигнала (неизменность значения параметра в течение заданного количества циклов) и исключает соответствующие данные из массива, а также сглаживает разовые нехарактерные значения параметров с использованием известных статистических методов (например, критерий Стьюдента);- Primary data management system, which includes a control signal for changes and the frequency of updating parameters with a subsystem for preliminary information processing. Threshold values (levels) of changes in parameters (increase, decrease) are in the range of 0-2% of the values of previous indicators (with smaller variations of the parameter, data is not updated). The threshold level for each parameter is determined by the inherent variability of the parameter (based on historical data) and can be set automatically or based on the user's expert judgment. The parameter update rate varies from 1 per second to 1 per 10 seconds depending on the rate of change of the primary signal and can also be set automatically or based on the user's expert judgment. The information preprocessing subsystem identifies the failure of the sensors by the signal level (the invariability of the parameter value for a given number of cycles) and excludes the corresponding data from the array, and also smoothes out one-time uncharacteristic values of the parameters using well-known statistical methods (for example, Student's test);
- Модификация способа формирования матриц состояния с использованием в качестве точек выборки узлов (нулевых значений) полиномов Чебышева первого рода степени от 4 до 10, полученных в интервале выборки, а также регуляризация матриц через умножение значений диагоналей матриц на множитель, определяемый методом градиентного спуска. Применение полиномов Чебышева для повышения достоверности выборки обусловлено тем, что согласно [Амосов А.А., Дубинский Ю.А., Копченова Н.В. Вычислительные методы для инженеров: Учеб. пособие. — М.: Высш. шк., 1994. — 544 с. ], нули полиномов Чебышева являются оптимальными точками в интерполяционных расчетах, что подтверждается снижением средней ошибки при расчетах критерия T2. В свою очередь, снижение ошибки при выявлении аномальных отклонений позволяет более точно реализовывать мониторинг и прогнозирование дальнейшей динамики развития выявленной аномалии, рассчитывая сроки выхода технологических параметров на критические уровни.- Modification of the method for forming state matrices using as sampling points of nodes (zero values) Chebyshev polynomials of the first kind of degree from 4 to 10, obtained in the sampling interval, as well as regularization of matrices through multiplying the values of the diagonals of the matrices by a factor determined by the gradient descent method. The use of Chebyshev polynomials to improve the reliability of the sample is due to the fact that according to [Amosov AA, Dubinsky YA, Kopchenova NV. Computational methods for engineers: Textbook. allowance. - M .: Higher. shk., 1994 .-- 544 p. ], the zeros of the Chebyshev polynomials are optimal points in interpolation calculations, which is confirmed by a decrease in the average error in the calculations of the T 2 criterion. In turn, reducing the error in detecting abnormal deviations allows more accurate monitoring and forecasting of the further development dynamics of the identified anomaly, calculating the timing of the process parameters reaching critical levels.
- Адаптивный характер динамической эталонной модели. Формирование (обновление) эталонной модели осуществляется с частотой, определяемой скоростью и характером изменения первичных данных, а также характером результирующих отклонений. Актуализация эталонной модели происходит при выявлении системных (многопараметрических) отклонений, а также снижения показателей корреляции между динамикой зависимых параметров. Использование адаптивной динамической эталонной модели позволяет более точно идентифицировать истинные (устойчивые к вариации параметров модели) отклонения, что является более эффективным для обработки массивов данных с высокой вариативностью и наличием шумовой компоненты, обеспечивая повышение точности прогнозирования технических характеристик объекта контроля.- The adaptive nature of the dynamic reference model. The formation (updating) of the reference model is carried out with a frequency determined by the speed and nature of changes in the primary data, as well as the nature of the resulting deviations. The reference model is updated when systemic (multiparameter) deviations are detected, as well as a decrease in the correlation indicators between the dynamics of dependent parameters. The use of an adaptive dynamic reference model makes it possible to more accurately identify the true (resistant to variations in model parameters) deviations, which is more efficient for processing data arrays with high variability and the presence of a noise component, providing an increase in the accuracy of predicting the technical characteristics of the test object.
- Организация двусторонних каналов коммуникаций с пользователями 18 в ходе работы с СУМиП. Помимо получения сигналов СУМиП о наличии и динамике развития выявленных аномалий для определенных технологических параметров, пользователь 18 может варьировать настройки СУМиП (частота запроса, уровень изменений параметра, характеристики эталонных выборок и др.) для оценки устойчивости наблюдаемых отклонений и анализа их возможных причин. Сигналы СУМиП ранжируются по уровню критичности выявленного отклонения в соответствии с системой приоритетов, в базе данных ведется история всех сообщений СУМиП.- Organization of two-way channels of communication with
Использование указанных выше подходов позволяет существенно повысить эффективность работы с данными по отношению к прототипу при одновременном повышении точности расчетов, в частности, временной интервал (размер массива данных) для формирования эталонной выборки (данные технологических параметров в заданной временной ретроспективе) сокращается с 12 месяцев до 1 месяца.The use of the above approaches can significantly increase the efficiency of working with data in relation to the prototype while increasing the accuracy of calculations, in particular, the time interval (size of the data array) for forming the reference sample (data of technological parameters in a given time retrospective) is reduced from 12 months to 1 months.
В качестве примера реализации представлено использование СУМиП для выявления характерной проблемы перегрузки лопаточного аппарата газовой турбины ГТ-160, возникающей вследствие изменения температурных режимов в проточном тракте из-за нарушений в работе воздушных клапанов. Газо-воздушная смесь становится более обогащенной, происходит изменение температурных режимов в разных частях турбины, лопатки перегреваются и снижается их эксплуатационный ресурс. Проблема может приобретать критический характер в случае, если наблюдается быстрый рост температуры, что может привести к пережогу и выходу из строя лопаточного аппарата газовой турбины.As an example of implementation, the use of SUMiP is presented to identify the characteristic problem of overloading the blade apparatus of the GT-160 gas turbine, which arises as a result of changes in temperature conditions in the flow path due to disturbances in the operation of air valves. The gas-air mixture becomes more enriched, temperature conditions change in different parts of the turbine, the blades overheat and their service life decreases. The problem can become critical if there is a rapid rise in temperature, which can lead to burnout and failure of the gas turbine blade.
Работа СУМиП происходит следующим образом.The work of SUMiP is as follows.
Для идентификации указанной выше аномалии используются сигналы со следующих основных датчиков 14 (по группам):To identify the above anomaly, signals from the following main sensors 14 (by groups) are used:
- Группа датчиков температуры (окружающего воздуха, газа на входе в блок запорной арматуры, воздуха в технологическом отсеке блока запорной арматуры, на входе в камеру сгорания, на выходе из камеры сгорания, на выходе из газового тракта, баббита подшипника №1, баббита подшипника №2, баббита подшипника №3, перед компрессорной установкой, охлаждающей воды на входе, охлаждающей воды на выходе);- A group of temperature sensors (ambient air, gas at the entrance to the block of valves, air in the technological compartment of the block of valves, at the entrance to the combustion chamber, at the exit from the combustion chamber, at the exit from the gas path, babbit bearing No. 1, babbit bearing No. 2, babbit of bearing No. 3, in front of the compressor unit, cooling water inlet, cooling water outlet);
- Группа датчиков давления (газа на входе в блок запорной арматуры, на входе в компрессор, на выходе из камеры сгорания, масла перед подшипниками, напорного насоса рециркуляции воздухоохладителей);- A group of pressure sensors (gas at the inlet to the block of valves, at the inlet to the compressor, at the outlet from the combustion chamber, oil in front of the bearings, pressure pump for recirculation of air coolers);
- Группа датчиков воздуха (горячий/холодный статора/ротора);- A group of air sensors (hot / cold stator / rotor);
- Группа распределительных клапанов (природного газа, воздуха).- Group of control valves (natural gas, air).
Общее количество сигналов (параметров) в модели – 130.The total number of signals (parameters) in the model is 130.
Сигналы с датчиков 14 через АСУ ТП 11 (локальную САУ 12) поступают в ОРС-коллектор 15. Управляющие системы устанавливают максимальную частоту обновления – 1 раз в секунду и минимальный порог изменения сигналов (0,1% от величины предыдущего значения), поскольку наблюдается быстрое изменение значений показателей температуры (рост) и термодинамически связанных с ними показателей давления и пульсации. Минимальное значение частоты обновления составляет 1 раз в 10 секунд, максимальное пороговое значение изменения сигнала – 1% (устанавливаются при медленных изменениях значений параметров). При (временном) выходе из строя одного или нескольких датчиков 14 (значение показателя становится равным нулю или сохраняет предшествовавшее значение в течение 15 циклов) модуль предварительной обработки данных, находящийся на верхнем уровне 9 СУМиП, формирует управляющий сигнал для исключения показателя из модели. При возобновлении сигнала производится обратная операция. Для интенсивно эксплуатируемого оборудования в среднем «в моменте» не функционируют (преимущественно, временно) до 3-4% датчиков. В контексте данного примера из дальнейшего анализа исключаются сигналы с нефункционирующих датчиков «Температура на выходе из ГТ (106B)» и «Температура этиленгликоля».The signals from the
Формирование (выбор лучшей) эталонной модели объекта контроля на базе матриц состояний в регулярном режиме (без отклонений) производится с частотой 1 раз в неделю. При выявлении аномалий производится корректировка (уточнение) параметров эталонной модели. Управление корректировкой по отклонениям работает следующим образом: если вклад в существенное увеличение значения показателя Т2 вносят пять и более параметров (значение выявлено опытным путем) и/или эти параметры имеют заведомо низкую корреляцию, то эталонная модель требует уточнения (необходимо использовать другой временной интервал для формирования эталонной выборки).Formation (selection of the best) reference model of the control object based on state matrices in a regular mode (without deviations) is performed with a frequency of 1 time per week. When anomalies are detected, the parameters of the reference model are adjusted (clarified). The control of correction for deviations works as follows: if five or more parameters contribute to a significant increase in the value of the indicator T 2 (the value is determined empirically) and / or these parameters have a deliberately low correlation, then the reference model requires refinement (it is necessary to use a different time interval for the formation of a reference sample).
В описываемом случае менее, чем за сутки наблюдается быстрый устойчивый рост показателя Т2 от нормального значения 2,2 до аномального на уровне порядка 3,9 (фиг. 3). In the described case, in less than a day, there is a rapid steady growth of the T 2 index from a normal value of 2.2 to an abnormal value of about 3.9 (Fig. 3).
В причинах разладки ведущие позиции по вносимому вкладу занимают параметры температур на выходе из ГТ, положения регулирующих органов (распределительных клапанов). Количество основных влияющих параметров ограничено, что позволяет идентифицировать аномалию, как истинную.In the reasons for the disorder, the leading positions in terms of the contribution to be made are taken by the parameters of temperatures at the outlet of the GT, the position of the regulating bodies (control valves). The number of main influencing parameters is limited, which makes it possible to identify the anomaly as true.
СУМиП формирует сигнал о наличии аномалии (критического превышения значения показателя Т2 нормального уровня) и параметрах, внесших основной вклад в наблюдаемое отклонение. На основании этих данных пользователь 18 делает вывод о возможных проблемах в узле агрегата и их критичности.SUMiP generates a signal about the presence of an anomaly (critical excess of the value of the T 2 index of the normal level) and the parameters that made the main contribution to the observed deviation. Based on these data, the
Скорость возникновения аномалии может различаться существенным образом – время выхода значения показателя Т2 за нормальный уровень может составлять от нескольких секунд до нескольких дней. Это обуславливает необходимость мониторинга оборудования с подстройкой моделей в режиме on-line.The rate of occurrence of the anomaly can vary significantly - the time for the T 2 value to go beyond the normal level can range from a few seconds to several days. This necessitates on-line monitoring of equipment with model adjustment.
Claims (26)
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2020122349A RU2739727C1 (en) | 2020-07-06 | 2020-07-06 | Method and system for remote monitoring and prediction of state of process objects |
| PCT/RU2020/000552 WO2022010377A1 (en) | 2020-07-06 | 2020-10-19 | Method and system for remotely monitoring and forecasting the state of technical equipment |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2020122349A RU2739727C1 (en) | 2020-07-06 | 2020-07-06 | Method and system for remote monitoring and prediction of state of process objects |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2739727C1 true RU2739727C1 (en) | 2020-12-28 |
Family
ID=74106556
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2020122349A RU2739727C1 (en) | 2020-07-06 | 2020-07-06 | Method and system for remote monitoring and prediction of state of process objects |
Country Status (2)
| Country | Link |
|---|---|
| RU (1) | RU2739727C1 (en) |
| WO (1) | WO2022010377A1 (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114692433A (en) * | 2022-04-28 | 2022-07-01 | 中原环保股份有限公司 | Fault analysis method for power distribution cabinet surface temperature inspection |
| RU2783863C1 (en) * | 2021-09-03 | 2022-11-21 | Акционерное Общество "Ротек" | Method for comprehensive optimisation of the parameters of a power unit |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115013086B (en) * | 2022-06-10 | 2024-05-31 | 深圳市云帆自动化技术有限公司 | Remote data acquisition device based on offshore power grid turbine generator |
| CN114885234B (en) * | 2022-07-11 | 2022-09-09 | 山东美丽乡村云计算有限公司 | Scenic spot service equipment anomaly detection method based on Internet of things |
| CN115149653A (en) * | 2022-09-05 | 2022-10-04 | 天津津轨汇海科技发展有限公司 | Safety management system for rail transit power supply equipment |
| CN116379793B (en) * | 2023-06-02 | 2023-08-15 | 青岛智控菲特软件科技有限公司 | Submerged arc furnace short-net regulation and control data processing method |
| CN117851766B (en) * | 2024-03-08 | 2024-06-11 | 济宁万生环保材料有限公司 | Temperature data monitoring method for DOTP crude ester continuous distillation process |
| CN118244110B (en) * | 2024-05-23 | 2024-09-27 | 摩多利智能传动(江苏)有限公司 | Industrial robot motor fault early warning method and system |
| CN118378765A (en) * | 2024-06-26 | 2024-07-23 | 泉州装备制造研究所 | Sensor replacement state prediction method and related device |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6898469B2 (en) * | 2000-06-09 | 2005-05-24 | Intellectual Assets Llc | Surveillance system and method having parameter estimation and operating mode partitioning |
| US8306931B1 (en) * | 2009-08-06 | 2012-11-06 | Data Fusion & Neural Networks, LLC | Detecting, classifying, and tracking abnormal data in a data stream |
| US20160099853A1 (en) * | 2014-10-01 | 2016-04-07 | Cisco Technology, Inc. | Active and passive dataplane performance monitoring of service function chaining |
| RU2626780C1 (en) * | 2016-07-15 | 2017-08-01 | Акционерное общество "РОТЕК" (АО "РОТЕК") | Method and system of remote monitoring energy installations |
| RU2649542C1 (en) * | 2016-12-06 | 2018-04-03 | Акционерное общество "РОТЕК" (АО "РОТЕК") | Method and system of remote monitoring of objects |
| US10626748B2 (en) * | 2014-12-08 | 2020-04-21 | General Electric Company | System and method for predicting and managing life consumption of gas turbine parts |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10430263B2 (en) * | 2016-02-01 | 2019-10-01 | Electro Industries/Gauge Tech | Devices, systems and methods for validating and upgrading firmware in intelligent electronic devices |
-
2020
- 2020-07-06 RU RU2020122349A patent/RU2739727C1/en active
- 2020-10-19 WO PCT/RU2020/000552 patent/WO2022010377A1/en active Application Filing
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6898469B2 (en) * | 2000-06-09 | 2005-05-24 | Intellectual Assets Llc | Surveillance system and method having parameter estimation and operating mode partitioning |
| US8306931B1 (en) * | 2009-08-06 | 2012-11-06 | Data Fusion & Neural Networks, LLC | Detecting, classifying, and tracking abnormal data in a data stream |
| US20160099853A1 (en) * | 2014-10-01 | 2016-04-07 | Cisco Technology, Inc. | Active and passive dataplane performance monitoring of service function chaining |
| US10626748B2 (en) * | 2014-12-08 | 2020-04-21 | General Electric Company | System and method for predicting and managing life consumption of gas turbine parts |
| RU2626780C1 (en) * | 2016-07-15 | 2017-08-01 | Акционерное общество "РОТЕК" (АО "РОТЕК") | Method and system of remote monitoring energy installations |
| RU2649542C1 (en) * | 2016-12-06 | 2018-04-03 | Акционерное общество "РОТЕК" (АО "РОТЕК") | Method and system of remote monitoring of objects |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2783863C1 (en) * | 2021-09-03 | 2022-11-21 | Акционерное Общество "Ротек" | Method for comprehensive optimisation of the parameters of a power unit |
| CN114692433A (en) * | 2022-04-28 | 2022-07-01 | 中原环保股份有限公司 | Fault analysis method for power distribution cabinet surface temperature inspection |
| RU2814856C1 (en) * | 2023-06-27 | 2024-03-05 | Акционерное общество "Интер РАО-Электрогенерация" | System for monitoring and diagnosing state of turbine generator |
| RU2814857C1 (en) * | 2023-06-27 | 2024-03-05 | Акционерное общество "Интер РАО-Электрогенерация" | System for monitoring and diagnosing state of turbine generator |
| RU2825196C1 (en) * | 2023-11-27 | 2024-08-21 | Акционерное общество "ЕВРАЗ Нижнетагильский металлургический комбинат" (АО "ЕВРАЗ НТМК") | Method for complex analysis of continuous casting machine parameters |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022010377A1 (en) | 2022-01-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2739727C1 (en) | Method and system for remote monitoring and prediction of state of process objects | |
| CN109146093B (en) | Power equipment field investigation method based on learning | |
| US10969775B2 (en) | Predictive diagnostics system with fault detector for preventative maintenance of connected equipment | |
| US7200520B2 (en) | Device and method for monitoring an electric power station | |
| US20200356087A1 (en) | Model predictive maintenance system with event or condition based performance | |
| RU2626780C1 (en) | Method and system of remote monitoring energy installations | |
| US10700942B2 (en) | Building management system with predictive diagnostics | |
| RU2649542C1 (en) | Method and system of remote monitoring of objects | |
| JP2023017888A (en) | Computer systems and methods for performing root cause analysis and building predictive model for rare event occurrences in plant-wide operations | |
| US20140142766A1 (en) | Methods and systems to improve power plant performance by corrective set points | |
| CN106249709B (en) | Dynamic process quality control figure repairs co-design optimal control method with age is determined | |
| WO2021026370A1 (en) | Model predictive maintenance system with degradation impact model | |
| CN115699045A (en) | Method and computing system for performing predictive health analysis of an asset | |
| RU2668852C1 (en) | Method and system of accounting residual operation life of turbo-aggregate components | |
| US20230376024A1 (en) | Device and Method for Identifying Anomalies in an Industrial System for Implementing a Production Process | |
| KR20010036423A (en) | Method and apparatus for detecting fault using General Regression Neural Network | |
| CN118411161B (en) | Electromechanical equipment operation and maintenance method and system based on data analysis | |
| EP4020102A1 (en) | System and method for operating an industrial process | |
| WO2020071948A1 (en) | Method for assessing the position of the epicentre of a thermal field of the exhaust of a gas turbine assembly | |
| CN118411007B (en) | Efficient comprehensive energy station AI intelligent management system | |
| JP7544091B2 (en) | Information processing device, plant control method, and plant control program | |
| CN118431521B (en) | Intelligent control method and system for liquid flow energy storage equipment based on big data analysis | |
| CN118470934A (en) | Thermal power generating unit fault early warning method and system | |
| Taheri | Energy Optimization of Heating, Ventilation, and Air Conditioning Systems | |
| ZA200501796B (en) | Method and device for monitoring a technical installation comprising several systems, in particular an electric power station |