RU2780968C1 - Method and system for monitoring equipment based on joint statistical and physical modelling - Google Patents
Method and system for monitoring equipment based on joint statistical and physical modelling Download PDFInfo
- Publication number
- RU2780968C1 RU2780968C1 RU2021125306A RU2021125306A RU2780968C1 RU 2780968 C1 RU2780968 C1 RU 2780968C1 RU 2021125306 A RU2021125306 A RU 2021125306A RU 2021125306 A RU2021125306 A RU 2021125306A RU 2780968 C1 RU2780968 C1 RU 2780968C1
- Authority
- RU
- Russia
- Prior art keywords
- physical
- statistical
- data
- modeling
- subsystems
- Prior art date
Links
- 238000000053 physical method Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 7
- 238000004891 communication Methods 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims description 18
- 239000000203 mixture Substances 0.000 claims description 15
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 230000000875 corresponding Effects 0.000 claims description 6
- 238000005755 formation reaction Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000004807 localization Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims 1
- 238000007619 statistical method Methods 0.000 abstract description 12
- 230000001276 controlling effect Effects 0.000 abstract description 2
- 230000000712 assembly Effects 0.000 abstract 1
- 230000000694 effects Effects 0.000 abstract 1
- 239000000126 substance Substances 0.000 abstract 1
- 239000007789 gas Substances 0.000 description 24
- 239000000446 fuel Substances 0.000 description 12
- 238000002485 combustion reaction Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 102100003659 APCS Human genes 0.000 description 2
- 101710028063 APCS Proteins 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000001419 dependent Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000003139 buffering Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000000295 complement Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000004059 degradation Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Abstract
Description
Область техники.The field of technology.
Изобретение относится к области мониторинга и прогнозирования технического состояния производственных объектов и может быть использовано для идентификации и локализации дефектов оборудования на ранней стадии возникновения для предупреждения возникновения критических ситуаций.The invention relates to the field of monitoring and predicting the technical condition of production facilities and can be used to identify and localize equipment defects at an early stage of occurrence to prevent critical situations.
Сложное технологическое оборудование включает в себя большое количество связанных друг с другом подсистем. Функционирование каждой подсистемы характеризуется набором технических показателей, совокупность значений которых в моменте описывает состояние устройства. Мониторинг значений показателей функционирования в режиме реального времени позволяет выявлять отклонения, сигнализирующие о возникновении дефектов оборудования. Анализ динамики отклонений с учетом взаимных связей параметров дает возможность прогнозировать вероятные сбои в работе агрегатов и их подсистем.Complex technological equipment includes a large number of interconnected subsystems. The functioning of each subsystem is characterized by a set of technical indicators, the set of values of which at the moment describes the state of the device. Monitoring the values of performance indicators in real time allows you to identify deviations that signal the occurrence of equipment defects. An analysis of the dynamics of deviations, taking into account the interconnections of parameters, makes it possible to predict probable failures in the operation of units and their subsystems.
Уровень техники.The level of technology.
Используемые в ходе мониторинга и прогнозирования технического состояния оборудования методы анализа данных включают в себя статистическое и физическое моделирование. Известны статистические модели, описывающие работу различных видов производственного оборудования, основанные на анализе отклонений от сформированной эталонной модели устройства. К ним, в том числе, относятся различные методы с использованием корреляционно-регрессионного анализа, дисперсионного, ковариационного, дискриминантного анализа и других. В частности, MSET (Multivariate State Estimation Technique) - метод формирует цифровой портрет объекта в n-мерном пространстве технических параметров функционирования, используя ретроспективные данные в качестве основы для формирования эталонной выборки значений. Отклонение фактических значений параметров от эталона сигнализируют о возможных неисправностях оборудования. Статистические методы, в частности, используются при формировании трендовых моделей системы удаленного мониторинга газотурбинной установки (Патент RU 2726317C1), многомерного корреляционного анализа сигнально-контрольных датчиков (US 7,739,096) и некоторых других. Использование метода MSET актуально для системы прогностики и удаленного мониторинга (Патент RU 2686257), раннего обнаружения деградаций оборудования (Патенты US 9152530, US 8543346) и ряда других.Used in the course of monitoring and predicting the technical condition of equipment, data analysis methods include statistical and physical modeling. Statistical models are known that describe the operation of various types of production equipment, based on the analysis of deviations from the generated reference model of the device. These include, among other things, various methods using correlation and regression analysis, dispersion, covariance, discriminant analysis and others. In particular, MSET (Multivariate State Estimation Technique) - the method forms a digital portrait of an object in the n-dimensional space of technical parameters of functioning, using retrospective data as the basis for the formation of a reference sample of values. The deviation of the actual values of the parameters from the standard signal possible equipment malfunctions. Statistical methods, in particular, are used in the formation of trend models of a remote monitoring system for a gas turbine plant (Patent RU 2726317C1), multidimensional correlation analysis of signal-control sensors (US 7,739,096) and some others. The use of the MSET method is relevant for the system of forecasting and remote monitoring (Patent RU 2686257), early detection of equipment degradation (Patents US 9152530, US 8543346) and a number of others.
Недостатком применения статистических моделей является необходимость наличия исторических данных о работе оборудования, в том числе, в различных режимах и условиях. Во многих случаях это недостижимо, в том числе вследствие высокой вариативности параметров и их возможных комбинаций: различной температуры внешней среды в течение года, изменений в составе топлива и рабочих сред, отсутствия пиковых нагрузок или запусков оборудования после ремонта в обозримой ретроспективе и др. Кроме того, в любой момент времени данные должны быть актуальными – например, историческое показатели функционирования не могут быть использованы в ходе статистического моделирования после проведенного капитального ремонта агрегата. Отсутствие необходимых данных не позволяет адекватно прогнозировать неисправности при выходе на режимы, которые не зафиксированы в истории работы оборудования.The disadvantage of using statistical models is the need for historical data on the operation of equipment, including in various modes and conditions. In many cases, this is unattainable, including due to the high variability of the parameters and their possible combinations: different ambient temperatures during the year, changes in the composition of the fuel and working media, the absence of peak loads or equipment launches after repairs in the foreseeable retrospective, etc. In addition, , at any point in time, the data must be up-to-date - for example, historical performance indicators cannot be used in the course of statistical modeling after the overhaul of the unit. The lack of necessary data does not allow adequate prediction of failures when entering modes that are not recorded in the history of equipment operation.
Альтернативным подходом является использование физических моделей оборудования, представляющих собой систему дифференциальных уравнений, описывающих, например, термодинамические и механические аспекты работы устройства. Физическая модель каждого агрегата может включать в себя несколько групп уравнений, например, для газовой турбины это уравнение материального баланса, уравнение теплового баланса, уравнение состояния газа, уравнение, описывающее механический момент на вале турбины. Модель является динамической, поскольку учитывает развитие физических процессов и связанных с ними параметров во времени. В отличие от статистических, физические модели локализованы по отношению к основным подсистемам или узлам агрегата, например, для газотурбинного двигателя это 1) камера сгорания, 2) компрессор высокого давления, 3) турбина высокого давления, 4) компрессор низкого давления, 5) турбина низкого давления, 6) силовая турбина. Каждая из подсистем описывается своей физической моделью или группой моделей. Подсистемы агрегата являются взаимосвязанными, часть показателей функционирования одной подсистемы влияет на определенные показатели других подсистем. Например, положение регулирующего клапана подогрева воздуха в значительной мере определяет давление воздуха на выходе из компрессора турбины, а температура воздуха перед компрессором влияет на величину пульсаций в камере сгорания и температуру газов в выхлопном диффузоре турбины. Построение интегральной модели для всей системы в целом осуществляется путем последовательного решения системы дифференциальных уравнений для каждой из подсистем с передачей результирующих параметров, влияющих на другую (соседнюю) подсистему для решения системы уравнений для следующей подсистемы. An alternative approach is to use physical equipment models, which are a system of differential equations describing, for example, the thermodynamic and mechanical aspects of the device operation. The physical model of each unit may include several groups of equations, for example, for a gas turbine, these are the material balance equation, the heat balance equation, the gas state equation, the equation describing the mechanical moment on the turbine shaft. The model is dynamic, since it takes into account the development of physical processes and related parameters over time. Unlike statistical models, physical models are localized in relation to the main subsystems or units of the unit, for example, for a gas turbine engine, these are 1) a combustion chamber, 2) a high-pressure compressor, 3) a high-pressure turbine, 4) a low-pressure compressor, 5) a low-pressure turbine pressure, 6) power turbine. Each of the subsystems is described by its physical model or group of models. The subsystems of the unit are interconnected, some of the performance indicators of one subsystem affect certain indicators of other subsystems. For example, the position of the air heating control valve largely determines the air pressure at the outlet of the turbine compressor, and the air temperature in front of the compressor affects the amount of pulsation in the combustion chamber and the temperature of the gases in the exhaust diffuser of the turbine. The construction of an integral model for the entire system as a whole is carried out by sequentially solving a system of differential equations for each of the subsystems with the transfer of the resulting parameters that affect the other (adjacent) subsystem to solve the system of equations for the next subsystem.
Известны решения, использующие физические модели для выявления отклонений параметров функционирования технических объектов от расчетных значений. Например, в Патенте RU 2675965C2 физическое моделирование используется для нескольких связанных подсистем газотурбинного двигателя с целью определения режимов выбросов. Система для диагностирования промышленного объекта (Патент RU 2707423 С2) моделирует весь объект контроля в целом для выявления предотказных состояний и нарушений в режимах работы.Known solutions that use physical models to identify deviations of the parameters of the functioning of technical objects from the calculated values. For example, in Patent RU 2675965C2, physical modeling is used for several related subsystems of a gas turbine engine in order to determine emission modes. The system for diagnosing an industrial facility (Patent RU 2707423 C2) models the entire control object as a whole to identify pre-failure conditions and violations in operating modes.
Построение физических моделей позволяет получить общую эталонную модель работы оборудования без непосредственного получения исторических данных, исходя из базовых физических закономерностей. На практике, в силу того, что каждая единица сложного оборудования имеет свои индивидуальные особенности, необходимо уточнение эталонной модели с внесением поправочных коэффициентов на реальных данных. При этом, объем необходимых данных существенно меньше, чем при использовании статистических методов, а данные об отдельных режимах работы могут при этом отсутствовать и рассчитываться непосредственно в модели. Недостатком физического моделирования является то, что не для всех частей и процессов сложного оборудования возможно построение адекватной физической модели с возможностью осуществления расчетов в режиме реального времени. Например, для газовой турбины достаточно сложной задачей является создание адекватной физической модели подшипника. Ограниченность массива необходимых данных также может создавать сложности в использовании физических моделей, например, при временном выходе из строя даже нескольких датчиков, физическое моделирование некоторых подсистем агрегата будет осуществляться со значительной погрешностью, причем, с учетом наличия прямых и обратных связей между параметрами подсистем, результирующая ошибка моделирования может нарастать.The construction of physical models allows you to get a common reference model of equipment operation without directly obtaining historical data, based on basic physical laws. In practice, due to the fact that each piece of complex equipment has its own individual characteristics, it is necessary to refine the reference model with the introduction of correction factors on real data. At the same time, the volume of required data is significantly less than when using statistical methods, and data on individual operating modes may be missing and calculated directly in the model. The disadvantage of physical modeling is that it is not possible to build an adequate physical model for all parts and processes of complex equipment with the possibility of real-time calculations. For example, for a gas turbine, it is quite a challenge to create an adequate physical model of a bearing. The limited array of necessary data can also create difficulties in the use of physical models, for example, in the event of a temporary failure of even several sensors, the physical modeling of some subsystems of the unit will be carried out with a significant error, and, taking into account the presence of direct and feedback relationships between the parameters of the subsystems, the resulting error modeling may increase.
В качестве прототипа выбран способ и система для гибридного моделирования рисков турбинного оборудования (патент US20120130688, General Electric). Под гибридным моделированием в патенте понимается совместное использование физических методов моделирования и статистических моделей, получаемых на основании исторических данных. В частности, в системе присутствуют функции вычисления эффективного эквивалентного числа моточасов, рассчитывающих ожидаемое время выхода из строя лопаток и других элементов турбомашины. В статистическую суб-модель включаются история установки, использования и обслуживания компонентов, множество данных, получаемых с датчиков мониторинга и диагностики. В системе предусматриваются различные сочетания физических и статистических моделей для отдельных компонентов турбины. As a prototype, a method and system for hybrid risk modeling of turbine equipment was chosen (patent US20120130688, General Electric). Hybrid modeling in the patent refers to the joint use of physical modeling methods and statistical models derived from historical data. In particular, the system contains functions for calculating the effective equivalent number of engine hours, which calculate the expected time of failure of the blades and other elements of the turbomachine. The statistical sub-model includes the history of installation, use and maintenance of components, a lot of data obtained from monitoring and diagnostic sensors. The system provides various combinations of physical and statistical models for individual turbine components.
К недостаткам данного решения можно отнести следующие:The disadvantages of this solution include the following:
- подсистемы турбомашины рассматриваются и моделируются по отдельности, при этом не учитывается их взаимосвязь и влияние друг на друга, что может приводить к нарастанию ошибки и снижению достоверности результатов физического моделирования для зависимых подсистем;- turbomachine subsystems are considered and modeled separately, while their relationship and influence on each other is not taken into account, which can lead to an increase in errors and a decrease in the reliability of physical modeling results for dependent subsystems;
- в патенте не описывается анализ режимов работы с отсутствующими данными либо низкой плотностью данных.- the patent does not describe the analysis of modes of operation with missing data or low data density.
Раскрытие изобретения.Disclosure of the invention.
Задачей, на решение которой направлено изобретение, является создание способа и системы с возможностью совместного использования статистических и физических методов моделирования технических устройств для эффективного анализа и прогнозирования поведения различных узлов с учетом их функциональных особенностей и взаимосвязей, в том числе, в условиях ограниченного объема исходных данных.The problem to which the invention is directed is to create a method and system with the possibility of joint use of statistical and physical methods for modeling technical devices for effective analysis and prediction of the behavior of various nodes, taking into account their functional features and relationships, including in conditions of a limited amount of initial data .
Техническим результатом решения является повышение достоверности моделирования функционирования технических устройств и их отдельных узлов, расширение возможностей по выявлению отклонений в работе оборудования, более точному и раннему прогнозированию возникновения неисправностей, в том числе при ограниченном массиве первичных данных.The technical result of the solution is to increase the reliability of modeling the functioning of technical devices and their individual components, expand the ability to detect deviations in the operation of equipment, more accurate and early prediction of faults, including with a limited array of primary data.
Заявленный результат достигается посредством создания гибридной модели, совмещающей статистический и физический функционал, используемые отдельно, поочередно итерационно или совместно в зависимости от ситуации, реализующей описанную далее последовательность действий:The claimed result is achieved by creating a hybrid model that combines the statistical and physical functionals used separately, alternately iteratively or jointly, depending on the situation, implementing the following sequence of actions:
- В режиме реального времени производится получение данных, описывающих фактические показатели технических параметров функционирования объекта контроля. Управление потоком данных осуществляется автоматически, исходя из фактических характеристик первичного сигнала, прежде всего, скорости изменения параметров в единицу цикла опроса контрольного датчика. Данные проходят предварительную обработку с использованием фильтров пороговых значений и регрессионных моделей с исключением нехарактерных значений, при этом достоверность данных увеличивается, общий размер массива уменьшается.- In real time, data is obtained that describes the actual performance of the technical parameters of the functioning of the control object. Data flow control is carried out automatically, based on the actual characteristics of the primary signal, primarily the rate of change of parameters per unit polling cycle of the control sensor. The data is pre-processed using threshold filters and regression models with the exclusion of uncharacteristic values, while the reliability of the data increases, the overall size of the array decreases.
- Полученный массив данных разделяется на три группы: исходные данные для статистического моделирования и анализа, исходные данные для физического моделирования и анализа, контрольные показатели физического моделирования. Массивы данных для статистического и физического моделирования могут полностью или частично пересекаться, при этом объем данных необходимый для статистического моделирования в значительной степени превышает аналогичный объем, используемый физическими моделями.- The resulting data array is divided into three groups: initial data for statistical modeling and analysis, initial data for physical modeling and analysis, benchmarks for physical modeling. Data arrays for statistical and physical modeling can completely or partially overlap, while the amount of data required for statistical modeling largely exceeds the same amount used by physical models.
- С использованием статистических методов строится динамическая эталонная модель (эталонные модели) функционирования объекта контроля с размерностью равной числу используемых параметров. Полученная модель может иметь области с отсутствием данных (нет сигнала с датчика, параметр исключен статистически, как нехарактерный, изменилась температура внешней среды и др.), что снижает ее достоверность «в моменте».- Using statistical methods, a dynamic reference model (reference models) of the functioning of the control object is built with a dimension equal to the number of parameters used. The resulting model may have areas with no data (there is no signal from the sensor, the parameter is statistically excluded as uncharacteristic, the ambient temperature has changed, etc.), which reduces its reliability “at the moment”.
- Производится анализ отклонений фактических значений технических параметров от показателей эталонной модели, определяются параметры с наибольшими показателями отклонений. На основании выявленных устойчивых отклонений формируются гипотезы о возможной локализации дефектов на уровне узлов с использованием предшествовавших данных или экспертных оценок.- The analysis of deviations of the actual values of technical parameters from the indicators of the reference model is carried out, the parameters with the largest deviations are determined. Based on the identified stable deviations, hypotheses are formed about the possible localization of defects at the node level using previous data or expert assessments.
- Выделяются составляющие подсистемы объекта контроля с высокой степенью детализации. Например, к описанным выше подсистемам 1-6 для газовой турбины добавляются 7) нагнетатель, 8) маслосистема, 9) подсистема подготовки воздуха, 10) подсистема поворота лопаток. Это позволяет построить высокоточную модель, имеющую среднюю погрешность в сравнении с фактическими показателями реального оборудования в пределах нескольких процентов.- The components of the subsystem of the control object are distinguished with a high degree of detail. For example, to the subsystems 1-6 described above for a gas turbine, 7) a supercharger, 8) an oil system, 9) an air preparation subsystem, 10) a subsystem for turning the blades are added. This allows you to build a high-precision model that has an average error in comparison with the actual performance of real equipment within a few percent.
- Определяются исходные переменные и результирующие функции физической модели для каждой из подсистем, функционирование каждой подсистемы описывается соответствующей системой дифференциальных уравнений. В частном случае для описания компрессора, камеры сгорания и ступеней газовой турбины используются уравнение состояния газа, уравнение материального баланса, уравнение теплового баланса, уравнение механических моментов на валу. Система дифференциальных и алгебраических уравнений, используемых для решения может быть описана следующим образом: - The initial variables and the resulting functions of the physical model for each of the subsystems are determined, the functioning of each subsystem is described by the corresponding system of differential equations. In a particular case, to describe the compressor, combustion chamber and gas turbine stages, the gas equation of state, the material balance equation, the heat balance equation, the equation of mechanical moments on the shaft are used. The system of differential and algebraic equations used to solve can be described as follows:
m= υ (P,ω,t)m= υ (P, ω, t)
N(t)=w(p,ω,y,t)N(t)=w(p,ω,y,t)
P=ρrTP=ρrT
Где J-вектор моментов инерции, ω- вектор угловых скоростей вращения, N-вектор крутящих моментов, m-вектор массовых потоков, на компрессорах/ступенях турбины, T – вектор температур в камерах и температуры топлива, y – матрица массовых долей в смеси в камерах, ρ – вектор плотностей в камерах, r – вектор удельной газовой постоянной в камерах, P- вектор давлений в камерах. Where J is the vector of moments of inertia, ω is the vector of angular rotational velocities, N is the vector of torques, m is the vector of mass flows, on compressors / turbine stages, T is the vector of temperatures in the chambers and fuel temperatures, y is the matrix of mass fractions in the mixture in chambers, ρ is the density vector in the chambers, r is the vector of the specific gas constant in the chambers, P is the pressure vector in the chambers.
Уравнения термогазодинамического баланса:Thermogasdynamic balance equations:
Hвых(T)=CpmixTH out (T)=C pmix T
Где – теплота сгорания в камерах, Vj – объемы камер, Pj – давление в камерах, Tj – температура в камерах, T-температура, V – объем, mвх- массовый поток входящих в камеру газов (кроме топлива), mтоп – массовый поток топлива, mреак – массовые изменения в результате реакции горения, mвых – массовый поток выходящих из камеры газов, hвх- энтальпия входящих в камеру газов (кроме топлива), hтоп – энтальпия топлива, hвых –энтальпия выходящих из камеры газов, ρmix – плотность смеси в камере, CVmix – теплоемкость смеси в камере при постоянном объеме, Cpmix – теплоемкость смеси при постоянном давлении, yвх- доли входящих в камеру газов (кроме топлива), yтоп – доли топлива, yреак – изменение долей реагентов, yвых – массовый поток выходящих из камеры газов.Where - combustion heat in the chambers, V j - volumes of the chambers, P j - pressure in the chambers, T j - temperature in the chambers, T-temperature, V - volume, m in - mass flow of gases entering the chamber (except fuel), m top - fuel mass flow, mreact - mass changes as a result of the combustion reaction, m out - mass flow of gases leaving the chamber, h in - enthalpy of gases entering the chamber (except for fuel), h top - fuel enthalpy, h out - enthalpy of gases leaving the chamber gas chambers, ρ mix is the density of the mixture in the chamber, C Vmix is the heat capacity of the mixture in the chamber at constant volume, C pmix is the heat capacity of the mixture at constant pressure, y in is the fraction of gases entering the chamber (except for fuel), y top is the fraction of fuel, y react - change in the proportions of reagents, y out - mass flow of gases leaving the chamber.
- Система полученных дифференциальных уравнений решается с использованием численных методов, например, методом Рунге-Кутта [Амоносов А.А., Дубинский Ю.А., Копченова Н.В. «Вычислительные методы для инженеров», М., Высшая школа, 1994]. В качестве внешних параметров для физического моделирования используются показатели атмосферного давления, температуры и относительной влажности воздуха, скорости подачи топлива. Таким образом, происходит формирование физической эталонной модели в виде функциональных закономерностей: при использовании определенных исходных данных в качестве аргументов, модель определяет эталонные значения параметров, являющихся функциями. Дополнительно к физическим уравнениям и количественным закономерностям, описываемым статистическими моделями, в системе описываются логические взаимосвязи, обусловленные не непосредственной физической взаимосвязью подсистем, а внутренними правилами, обусловленными системой управления моделируемого устройства. Например, согласно алгоритму функционирования газотурбинной установки, положение регулирующих клапанов газообразного топлива корректируется в зависимости от давления воздуха перед компрессором, а положение регулирующего клапана подогрева воздуха - от температуры воздуха перед компрессором и абсолютного давления воздуха на выходе из компрессора. Указанные закономерности учитываются наряду с непосредственным взаимным влиянием физических параметров друг на друга.- The system of differential equations obtained is solved using numerical methods, for example, the Runge-Kutta method [Amonosov A.A., Dubinsky Yu.A., Kopchenova N.V. "Computational Methods for Engineers", Moscow, Higher School, 1994]. As external parameters for physical modeling, indicators of atmospheric pressure, temperature and relative humidity of air, fuel supply rate are used. Thus, the physical reference model is formed in the form of functional patterns: when using certain initial data as arguments, the model determines the reference values of the parameters that are functions. In addition to the physical equations and quantitative patterns described by statistical models, the system describes logical relationships that are determined not by the direct physical relationship of subsystems, but by internal rules determined by the control system of the simulated device. For example, according to the operation algorithm of a gas turbine plant, the position of the gaseous fuel control valves is adjusted depending on the air pressure in front of the compressor, and the position of the air heating control valve is adjusted on the air temperature in front of the compressor and the absolute air pressure at the compressor outlet. These regularities are taken into account along with the direct mutual influence of physical parameters on each other.
- После решения уравнения для всех подсистем цикл повторяется. Модель имеет только одно положение динамического равновесия для заданного набора входных условий, в этой связи в результате циклических итераций, последовательность значений параметров сходится к единственному решению. Скорость сходимости определяется заданными начальными условиями (исходные температура, давление и доли газов для всех подсистем турбины) при фиксированных значениях внутренних параметров подсистем (теплотворная способность топлива, объем камеры сгорания, момент инерции систем высокого и низкого давления и др.). Итерационный подход позволяет учесть взаимное влияние параметров различных подсистем друг на друга и сформировать максимально достоверную эталонную физическую модель объекта.- After solving the equation for all subsystems, the cycle repeats. The model has only one position of dynamic equilibrium for a given set of input conditions, in this regard, as a result of cyclic iterations, the sequence of parameter values converges to a single solution. The rate of convergence is determined by the given initial conditions (initial temperature, pressure and gas fractions for all turbine subsystems) at fixed values of the internal parameters of the subsystems (fuel calorific value, combustion chamber volume, moment of inertia of high and low pressure systems, etc.). The iterative approach makes it possible to take into account the mutual influence of the parameters of various subsystems on each other and form the most reliable reference physical model of the object.
- Для выбранных точек в пространстве значений параметров работы оборудования проводится сравнение данных, полученных физическим моделированием, с реальными данными с датчиков, выявляются отклонения, обусловленные индивидуальными особенностями агрегата с учетом допусков. Далее с помощью выбранного метода оптимизации (например, методом стохастического градиентного спуска) подбираются эмпирические коэффициенты, с тем, чтобы добиться минимального расхождения между модельными и фактическими данными. Корректировка модели производится однократно, повторная верификация целесообразна после изменения физических характеристик оборудования, например, по итогам проведения ТО или капитального ремонта агрегата, либо существенных изменений в составе топлива.- For selected points in the space of values of equipment operation parameters, the data obtained by physical modeling are compared with real data from sensors, deviations are identified due to the individual characteristics of the unit, taking into account tolerances. Then, using the chosen optimization method (for example, the stochastic gradient descent method), empirical coefficients are selected in order to achieve a minimum discrepancy between the model and actual data. The model is corrected once, re-verification is advisable after a change in the physical characteristics of the equipment, for example, following the results of maintenance or overhaul of the unit, or significant changes in the composition of the fuel.
- Данные передаются из подсистем физического моделирования в систему статистического моделирования через программируемый динамический коммутатор на интегральной схеме, обеспечивающий обмен данными между подсистемами статистического и физического моделирования. Объем и состав дополнительных данных, необходимый для формирования эталонной статистической модели определяется динамическим коммутатором. Коммутатор в режиме реального времени производит оценку полноты входных данных (в том числе, с учетом возможного отказа датчиков, идентифицируемого по неизменности уровня формируемого сигнала в течение определенного времени) и определяет массив необходимых «физических» данных для использования в статистическом моделировании. В качестве дополнительного управляющего сигнала для коммутатора может выступать ошибка статистического моделирования, высокие значения которой сигнализируют о наличии системных (многопараметрических) отклонений. Исходя из состава необходимых дополнительных данных, коммутатор осуществляет подключение физической модели для соответствующей подсистемы объекта контроля к статистическому моделированию.- Data is transferred from the physical modeling subsystems to the statistical modeling system through a programmable dynamic switch on an integrated circuit, which provides data exchange between the statistical and physical modeling subsystems. The volume and composition of additional data required for the formation of a reference statistical model is determined by the dynamic switch. The switch in real time evaluates the completeness of the input data (including taking into account the possible failure of the sensors, identified by the invariance of the level of the generated signal for a certain time) and determines the array of the necessary "physical" data for use in statistical modeling. An additional control signal for the switch can be a statistical modeling error, high values of which indicate the presence of systemic (multi-parameter) deviations. Based on the composition of the required additional data, the switch connects the physical model for the corresponding subsystem of the control object to statistical modeling.
- Проводится коррекция эталонной статистической модели методами физического моделирования: при наличии областей с отсутствующими данными, генерируются «виртуальные» массивы исходных данных с использованием ранее отлаженных физических моделей оборудования, после чего происходит построение новой эталонной статистической модели. Выборка генерируемых данных формируется исходя из состава отсутствующих данных с учетом возможностей используемых физических моделей.- The reference statistical model is corrected by physical modeling methods: in the presence of areas with missing data, "virtual" arrays of initial data are generated using previously debugged physical models of equipment, after which a new reference statistical model is built. The sample of generated data is formed based on the composition of the missing data, taking into account the capabilities of the physical models used.
- Проводится дополнительная верификация эталонной модели, полученной статистическим методом путем ее сравнения с физической моделью оборудования. Для этого сопоставляются результаты отклонений параметров, полученных статистическими и физическими методами. При малых отклонениях (расхождения в пределах 5%) модели оцениваются, как валидные. При наблюдении существенных отклонений требуется дополнительная корректировка моделей. Для этого используются вариации параметров управления первичными данными (частота обновления, пороговые значения), корректировка показателей корреляции между динамикой зависимых параметров, изменение методов оптимизации для настройки физических моделей. Подбор оптимальных параметров моделей осуществляется с участием эксперта-пользователя системы.- An additional verification of the reference model obtained by the statistical method by comparing it with the physical model of the equipment is carried out. To do this, the results of parameter deviations obtained by statistical and physical methods are compared. With small deviations (differences within 5%), the models are evaluated as valid. If significant deviations are observed, additional adjustment of the models is required. For this, variations in the parameters of primary data management (update frequency, threshold values), correction of correlation indicators between the dynamics of dependent parameters, changes in optimization methods for setting up physical models are used. The selection of the optimal parameters of the models is carried out with the participation of an expert user of the system.
- Для подсистем, описание которых физическими методами затруднено или невозможно, из статистических данных выбираются точки пространства значений параметров, соответствующих рассчитанным в физической модели, описывающей смежную подсистему. Параметры, полученные для отдельных подсистем статистическими методами, передаются как исходные, для расчетов смежных подсистем с использованием физических моделей.- For subsystems, the description of which by physical methods is difficult or impossible, points of the space of parameter values corresponding to those calculated in the physical model describing the adjacent subsystem are selected from the statistical data. The parameters obtained for individual subsystems by statistical methods are transmitted as initial ones for calculations of adjacent subsystems using physical models.
- В частном случае, при отсутствии статистических данных (новый режим работы оборудования, запуск агрегата после проведенного капитального ремонта) используются только физические модели для соответствующих подсистем. После наработки необходимых ретроспективных данных к физическим методам анализа подключаются статистические модели.- In a particular case, in the absence of statistical data (new mode of operation of the equipment, start-up of the unit after a major overhaul), only physical models are used for the corresponding subsystems. After the development of the necessary retrospective data, statistical models are connected to the physical methods of analysis.
Результаты физического и статистического моделирования представляются раздельно в едином управляющем пользовательском интерфейсе (Фигура 1). Вывод о наличии неисправностей Объекта контроля делается на основании наличия одновременных отклонений фактических параметров от результатов как статистической, так и физической моделей, а также при значимом отклонении фактических параметров от среднего значения между величиной параметра, полученного физическим и статистическим моделирование соответственно.The results of physical and statistical modeling are presented separately in a single control user interface (Figure 1). The conclusion about the presence of malfunctions of the Control Object is made on the basis of the presence of simultaneous deviations of the actual parameters from the results of both statistical and physical models, as well as a significant deviation of the actual parameters from the average value between the parameter value obtained by physical and statistical modeling, respectively.
Таким образом, статистические и физические модели взаимно уточняют и дополняют друг друга, поскольку статистическая модель описывает весь объект, более устойчива к локальным ограничениям массива входных данных, но не предусматривает возможность идентификации дефектов на уровне узлов или подсистем объекта, в то время, как физическая модель описывает функционирование подсистем с учетом многообразия взаимосвязей, но критично зависит от полноты необходимой информации. Вероятность выявления факта неисправности повышается за счет верификации статистической эталонной модели физическими методами. Использование уточненных статистическими методами физических моделей обеспечивает более высокую точность локализации дефектов, благодаря используемому итерационному подходу (циклам сходимости). Все это позволяет добиться более высокого уровня автономности решения.Thus, statistical and physical models mutually refine and complement each other, since the statistical model describes the entire object, is more resistant to local limitations of the input data array, but does not provide for the possibility of identifying defects at the level of nodes or subsystems of the object, while the physical model describes the functioning of subsystems, taking into account the variety of relationships, but critically depends on the completeness of the necessary information. The probability of detecting the fact of a malfunction is increased by verifying the statistical reference model by physical methods. The use of physical models refined by statistical methods provides a higher accuracy of defect localization due to the iterative approach used (convergence cycles). All this allows to achieve a higher level of autonomy of the solution.
Совместное использование физических и статистических моделей позволяет сравнивать общие показатели системы с показателями отдельных узлов и выявлять компоненты отклонений параметров от эталонных на уровне отдельных систем. Например, такой анализ, с использованием термодинамической модели горячего тракта турбины, совместно со статистической моделью, позволяет разделить термодинамический и механический КПД газовой турбины и выявить таким образом причины его снижения.The combined use of physical and statistical models makes it possible to compare the overall performance of the system with the performance of individual nodes and to identify the components of parameter deviations from the reference ones at the level of individual systems. For example, such an analysis, using a thermodynamic model of a turbine hot path, together with a statistical model, makes it possible to separate the thermodynamic and mechanical efficiency of a gas turbine and thus identify the reasons for its decrease.
Совместное использование статистических и физических моделей в процессе эксплуатации оборудования позволяет автоматически формировать библиотеку дефектов на уровне узлов с характерными признаками – значениями соответствующих параметров или их отклонениями от эталонных показателей. Большое количество входных параметров, требуемое для построения статистических моделей, обеспечит высокую точность описания специфики каждого выявленного дефекта.The joint use of statistical and physical models during the operation of the equipment allows you to automatically generate a library of defects at the level of nodes with characteristic features - the values of the relevant parameters or their deviations from the reference indicators. A large number of input parameters required to build statistical models will provide a high accuracy in describing the specifics of each identified defect.
Обновляемая библиотека дефектов с характерными признаками в дальнейшем может быть использована для машинного обучения, повышения квалификации профильных специалистов эксплуатирующих организаций, а также инженерных подразделений производителей соответствующего оборудования. Последнее, в частности, позволяет выявлять наличие возможных системных дефектов на уровне партий или серий оборудования, что, в свою очередь, благоприятствует реализации упреждающих ремонтно-диагностических мероприятий и снижению показателей аварийности на уровне отраслей.The updated library of defects with characteristic features can later be used for machine learning, advanced training of specialized specialists of operating organizations, as well as engineering departments of manufacturers of the corresponding equipment. The latter, in particular, makes it possible to detect the presence of possible systemic defects at the level of batches or series of equipment, which, in turn, favors the implementation of proactive repair and diagnostic measures and the reduction of accident rates at the industry level.
Осуществление изобретения.Implementation of the invention.
Система мониторинга состояния оборудования, реализующая заявленный способ совместного использования статистических и физических методов моделирования технических устройств, включает в себя ряд следующих функциональных подсистем, отраженных на Фигуре 2:The equipment condition monitoring system that implements the claimed method of joint use of statistical and physical methods for modeling technical devices includes a number of the following functional subsystems, shown in Figure 2:
- Подсистема 1 сбора, преобразования и хранения первичных данных, включающая модуль 2 управления настройками первичных сигналов с датчиков, обеспечивающий формирование оптимального массива данных для дальнейшей обработки в рамках заявленного способа в режиме реального времени; модуль 3 предварительной обработки данных; сервер 4 формирования и хранения массива исходных данных для дальнейшего анализа с возможностью архивирования; OPC-сервер 5, реализующий связь с системой 6 АСУ ТП, принимающей и аккумулирующей сигналы с контрольных датчиков 7, двусторонний криптошлюз 8, обеспечивающий защиту данных и управляющих сигналов в процессе передачи;- Subsystem 1 for collecting, converting and storing primary data, including module 2 for controlling the settings of primary signals from sensors, which ensures the formation of an optimal data array for further processing within the framework of the claimed method in real time;
- защищенные каналы передачи данных и управляющих сигналов через глобальную сеть Интернет, с использованием механизмов синхронизации данных;- secure channels for transmitting data and control signals through the global Internet using data synchronization mechanisms;
- подсистема 9 статистического моделирования и анализа информации, включающая в себя аналитический сервер, реализующий обработку данных по технологии MSET с дальнейшим выявлением отклоняющихся от эталонной модели параметров;- subsystem 9 of statistical modeling and information analysis, including an analytical server that implements data processing using MSET technology with further identification of parameters deviating from the reference model;
- подсистема 10 физического моделирования и анализа, в том числе модуль расчета технических параметров объекта мониторинга, применительно к основным узлам, а также модуль классификации неисправностей; интерфейс настройки физических моделей на реальных данных;-
- программируемый динамический коммутатор 11 на интегральной схеме, обеспечивающий обмен данными между подсистемами 9 и 10 статистического и физического моделирования. Динамический коммутатор 11 контролирует объем данных, используемый для формирования эталонной статистической модели в режиме реального времени, при отсутствии первичных данных, имеющих статус критичных, происходит переключение на массив расчетных данных по результатам физического моделирования для корректировки эталонной статистической модели;- programmable
- коммуникационный интерфейс 12 обмена данными с двусторонними каналами передачи информации (Фигура 1), обеспечивающий визуализацию результатов статистического и физического моделирования, в том числе, через web-сервер с удаленными устройствами пользователей, которые могут вносить изменения в настройки моделей.- communication interface 12 for data exchange with two-way information transfer channels (Figure 1), which provides visualization of the results of statistical and physical modeling, including through a web server with remote user devices that can make changes to the model settings.
Первичные сигналы с контрольных датчиков 7 объекта мониторинга в системе 6 АСУ ТП через настраиваемый OPC-сервер 5 в режиме реального времени поступают в модуль 3 предварительной обработки данных на сервере 4 хранения и буферизации информации. Сформированный массив в зашифрованном виде передается по защищенному каналу в центр обработки данных с синхронизацией передаваемых пакетов. Обработка данных статистическими и физическими методами осуществляется параллельно, обмен данными реализует программируемый динамический коммутатор. Коммуникация с пользователями поддерживается через двусторонний интерфейс 12, обеспечивающий возможность управления настройками формируемого массива первичных данных и физических моделей.The primary signals from the
Контрольные датчики 7 длительно эксплуатируемого агрегата в условиях высоких температур и скоростей вращения достаточно регулярно выходят из строя, причем, во многих случаях наблюдается временный выход из строя («зависание») датчиков. В среднем, могут не функционировать до 3-5% датчиков одновременно, причем время «зависания» может составлять от 1-2 секунд до нескольких минут. Для широко распространенной турбины ГТЭ-160 (мощность – 150 МВт, производитель ОАО «Силовые машины», использование в составе парогазовой установки или в открытом цикле) это составляет в моменте до нескольких десятков сигнальных устройств. В данной ситуации использование гибридной системы может стать безальтернативным, поскольку при отказе датчиков происходит резкое уменьшение массива входных данных, что существенно снижает точность статистического и/или физического моделирования. The
Рассмотрим использование гибридной системы для достаточно распространенной ситуации, характеризующейся временным выходом из строя датчиков температуры атмосферного воздуха (1.1.) и/или температуры воздуха перед компрессором (2.3) газовой турбины ГТЭ-160, Фигура 3. Датчики температуры представляют собой цифровые термоэлектронные преобразователи, работающие в заданном диапазоне температур (в данном случае от -50 до 50 градусов Цельсия). Индикатором отказа датчиков становится отсутствие сигнала (потока данных) или постоянство уровня сигнала в течение заданного числа тактов опроса АСУ ТП. Идентификация недостоверности сигнала осуществляется в модуле предварительной обработки данных подсистемы сбора, преобразования и хранения первичных данных. Состав нефункционирующих в моменте датчиков доступен оператору гибридной системы в закладке «Параметры» / «Датчики» (Фиг.1).Let us consider the use of a hybrid system for a fairly common situation, characterized by a temporary failure of the atmospheric air temperature sensors (1.1.) and / or air temperature sensors before the compressor (2.3) of the GTE-160 gas turbine, Figure 3. The temperature sensors are digital thermionic converters operating in a given temperature range (in this case, from -50 to 50 degrees Celsius). An indicator of sensor failure is the absence of a signal (data flow) or the constancy of the signal level for a given number of cycles of polling the automated process control system. Identification of the signal unreliability is carried out in the data pre-processing module of the subsystem for collecting, converting and storing primary data. The composition of sensors that are not functioning at the moment is available to the operator of the hybrid system in the "Parameters" / "Sensors" tab (Fig.1).
Согласно схеме основных взаимосвязей подсистем газовой турбины ГТЭ-160 (Фигура 3), многие параметры функционирования агрегата имеют взаимную связь, в частности, значение температуры атмосферного воздуха (1.1) влияет на величину температуры воздуха перед компрессором (2.3), она, в свою очередь, в значительной степени определяет температуры газов на выходе из турбины и в выхлопном диффузоре (5.1-5.13), а также уровень вибрации подшипников турбины и компрессора (7.7, 7.8) и величину пульсаций в правой и левой камерах сгорания (4.3, 4.4). Отказ температурных датчиков, характеризующих часть внешних параметров системы делает невозможным расчет уравнения термогазодинамического баланса для всей установки в целом, а также для подсистемы подготовки воздуха и связанной с ней подсистемы компрессора (Фигура 3) и, далее, по цепочке других связанных с ними подсистем. Таким образом, в данной ситуации использование физической модели в отдельности является невозможным, поскольку отсутствуют критически важные для расчета входные данные.According to the scheme of the main interconnections of the subsystems of the gas turbine GTE-160 (Figure 3), many parameters of the operation of the unit are interconnected, in particular, the value of the atmospheric air temperature (1.1) affects the value of the air temperature in front of the compressor (2.3), which, in turn, largely determines the temperature of gases at the outlet of the turbine and in the exhaust diffuser (5.1-5.13), as well as the vibration level of the turbine and compressor bearings (7.7, 7.8) and the magnitude of pulsations in the right and left combustion chambers (4.3, 4.4). The failure of temperature sensors that characterize part of the external parameters of the system makes it impossible to calculate the thermogasdynamic balance equation for the entire installation as a whole, as well as for the air preparation subsystem and the compressor subsystem associated with it (Figure 3) and, further, along the chain of other subsystems associated with them. Thus, in this situation, the use of a physical model separately is impossible, since there are no critical input data for the calculation.
В свою очередь, статистическая модель использует несколько сот показателей функционирования установки (для ГТЭ-160 их число составляет 485) и является единой для всего агрегата. При высоких значениях сходимости (низких интегральных отклонениях) фактических показателей функционирования агрегата в моменте от валидной эталонной модели, часть отсутствующих первичных данных (в данном случае – показателей температурных датчиков) может быть заменена на эталонные значения параметров. После этого становится возможным физическое моделирование. При ограниченном числе моделируемых параметров динамический коммутатор системы осуществляет замену автоматически, однако история всех замещений фактических данными модельными фиксируется (доступна в закладке «Параметры» / «Замещения» за выбранный временной период). Пользователь также может выбрать регрессионный принцип в качестве альтернативы: для всех основных взаимосвязей параметров подсистем (Фиг.3) могут быть смоделированы прямые или обратные регрессии, например, зависимость температуры воздуха датчиков турбины (5.1-5.13) от температуры воздуха перед компрессором (2.3). Выбор метода замещения определяется настройками динамического коммутатора.In turn, the statistical model uses several hundred plant performance indicators (their number is 485 for GTE-160) and is the same for the entire unit. At high values of convergence (low integral deviations) of the actual performance indicators of the unit at the moment from a valid reference model, part of the missing primary data (in this case, the indicators of temperature sensors) can be replaced with reference parameter values. After that, physical modeling becomes possible. With a limited number of simulated parameters, the dynamic switch of the system performs the replacement automatically, however, the history of all replacements of actual data by model data is recorded (available in the "Parameters" / "Substitutions" tab for the selected time period). The user can also choose the regression principle as an alternative: for all the main relationships of subsystem parameters (Fig.3), direct or inverse regressions can be modeled, for example, the dependence of the air temperature of the turbine sensors (5.1-5.13) on the air temperature in front of the compressor (2.3). The choice of the replacement method is determined by the settings of the dynamic switch.
При отсутствии критичных для статистического моделирования «внутренних» сигналов с датчиков температуры или давления в подсистеме камеры сгорания (не имеющих явных, т.е. описываемых в рамках регрессий, взаимосвязей с другими параметрами) они могут быть рассчитаны в физмодели из приведенного ранее уравнения термогазодинамического баланса.In the absence of “internal” signals from temperature or pressure sensors in the combustion chamber subsystem that are critical for statistical modeling (having no explicit, i.e., described in terms of regressions, relationships with other parameters), they can be calculated in a physical model from the previously given thermogasdynamic balance equation .
На Фиг.1 приведено изображение коммуникационного интерфейса при выявленных статистическими методами избыточных перепадах давления в системе воздухоподготовки (КВОУ или комплексные воздухоочистительные устройства), которое привело к избыточному давлению и вибрациях в камере низкого давления (КНД) и сопле турбины (СТ). В верхней части экрана визуализируются результаты статистического моделирования с текстовой индикацией показателей, имеющих нехарактерные отклонения.Figure 1 shows an image of the communication interface when excess pressure drops in the air preparation system (CVU or integrated air cleaning devices) were detected by statistical methods, which led to excess pressure and vibrations in the low pressure chamber (LPC) and turbine nozzle (ST). In the upper part of the screen, the results of statistical modeling are visualized with textual indication of indicators that have uncharacteristic deviations.
В левой нижней части интерфейса визуализированы сравнительные интегральные результаты физического и статистического моделирования для выбранных показателей функционирования агрегата. Согласно результатам физического моделирования, в отличие от данных статистического моделирования, показатели функционирования ГТЭ-160 не выходят за пределы нормальных. Таким образом, можно ожидать, что выявленная проблема не является критической.In the lower left part of the interface, the comparative integral results of physical and statistical modeling for the selected performance indicators of the unit are visualized. According to the results of physical modeling, in contrast to the data of statistical modeling, the performance of the GTE-160 does not go beyond the normal limits. Thus, it can be expected that the identified problem is not critical.
Автоматический характер замещения неактуальных параметров функционирования агрегата обеспечивает удобство работы пользователя – текущие изменения в потоке первичных данных не отображаются в основных выходных формах коммуникационного интерфейса.The automatic nature of the replacement of irrelevant parameters of the operation of the unit ensures the convenience of the user - the current changes in the flow of primary data are not displayed in the main output forms of the communication interface.
Claims (18)
Publications (1)
Publication Number | Publication Date |
---|---|
RU2780968C1 true RU2780968C1 (en) | 2022-10-04 |
Family
ID=
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117033252A (en) * | 2023-10-09 | 2023-11-10 | 中核武汉核电运行技术股份有限公司 | Combined simulation communication system based on opcua |
CN117395033A (en) * | 2023-09-22 | 2024-01-12 | 广州尚全信息技术有限公司 | Data security supervision method and system |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117395033A (en) * | 2023-09-22 | 2024-01-12 | 广州尚全信息技术有限公司 | Data security supervision method and system |
CN117033252A (en) * | 2023-10-09 | 2023-11-10 | 中核武汉核电运行技术股份有限公司 | Combined simulation communication system based on opcua |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11308250B2 (en) | Learning expected operational behavior of machines from generic definitions and past behavior | |
JP7015108B2 (en) | Operation support device, equipment operation system, operation method, control method and program | |
EP2495631B1 (en) | A system for analysis of turbo machinery | |
CN105992977B (en) | The diagnostic device and diagnostic method of complete set of equipments | |
US7337086B2 (en) | System and method for combining diagnostic evidences for turbine engine fault detection | |
CN107111309B (en) | Gas turbine fault prediction using supervised learning methods | |
US8751423B2 (en) | Turbine performance diagnostic system and methods | |
US20090118841A1 (en) | Virtual sensor network (VSN) system and method | |
JP2008267382A (en) | Automated engine data diagnostic analysis | |
JP2007536490A (en) | Diagnosis and prediction of sensor failure using component models and time-scale orthogonal expansion | |
JPH08202444A (en) | Method and device for diagnosing abnormality of machine facility | |
JP2018190245A (en) | Facility equipment abnormality diagnosis system | |
US20160365735A1 (en) | Systems and Methods for Power Plant Data Reconciliation | |
KR20170067519A (en) | Integrated Diagnostic System and Database based on rules and cases | |
JP2006057595A (en) | Gas turbine performance diagnosing system and its method | |
JP7314323B2 (en) | Method and system for optimization of combined cycle gas turbine operation | |
CN116756909A (en) | Early warning diagnosis system of thermal power plant based on data model and mechanism model | |
CN117744925A (en) | Operation monitoring management method and system for thermodynamic machine set | |
Zaccaria et al. | A model-based solution for gas turbine diagnostics: Simulations and experimental verification | |
WO2022023253A1 (en) | Continuous flow engine filter management | |
RU2780968C1 (en) | Method and system for monitoring equipment based on joint statistical and physical modelling | |
Lemma | A hybrid approach for power plant fault diagnostics | |
Niculita et al. | Design for diagnostics and prognostics: A physical-functional approach | |
JP2023094895A (en) | Malfunction prediction device, control method for malfunction prediction device and program | |
Zhu et al. | Frequent pattern extraction based on data and prior knowledge fusion in gas turbine combustion system |