SE463338B - Saett att oevervaka och/eller diagnosticera aktuella drifttillstaand hos komplicerade maskiner - Google Patents

Description

.Pa (fix (N (p U s N aktuellt drifttillstand hos en komplicerad maskin och att därvid antingen identifiera ett specifikt drifttillstand (motsvarande en refsrensklass) eller fastställa ett avvikande drifttillstánd under samtidig identifiering av vilka tillstandsvariabler som förorsakar avvikelsen.

Detta syfte uppnås genom de förfaringssteg som anges i patent- kravets 1 kännetecknande del.

Sålunda tillämpas enligt uppfinningen i och för sig kända statistiska metoder, vilka användes inom s.k. multivariatanalys, exempelvis för att snabbt upptäcka ett oönskat tillstànd hos maskinen samt att utpeka enskilda variabler eller grupper av variabler ansvariga för detta tillstànd. Metoden kan tillämpas antingen i realtid, nämligen pa inkommande mätvärden, eller pa databaser, där mätvärdena finns lagrade.

Till grund för uppfinningen ligger följande tankegångar: En mätning av M olika tillstandsvariabler Vi upprepas vid olika tidpunkter N gånger. Resultaten (Xik, i = 1, ..., M; k = 1, ..., N), som bildar en matris eller tabell med matten M x N, kan presenteras i en N-dimensionell rymd som en svärm av N punkter.

Svärmens utseende kan t.ex. beskrivas med hjälp av kovariansma- trisen. Om punkterna insamlats under tva skilda tillstànd hos maskinen kommer de, med största sannolikhet, att bilda tva svärmar i M-rymden, förutsatt att det bland tillstàndsvariabler- na finns just de som särskiljer de aktuella tillstanden hos maskinen. En möjlighet är att huvuddelen av mätdata, som härstammar fran en eller flera kända tillstànd hos maskinen (s.k. inlärningsgrupper), kombineras med ett antal aktuella mätdata som skall testas (en testgrupp).

För att på ett bekvämt sätt hantera denna typ av multivariata mätdata föreslas enligt uppfinningen att en koordinattransform 15 20 25 .ßu ;\ C. \| CN Éßd CU utföres. För att en sadan koordinattransform skall vara använd- bar maste den: - minska antalet koordinatriktningar; - bevara variansen hos punktsvärmarna; samt - på bästa sätt särskilja olika punktsvärmar.

En transform, som befunnits uppfylla dessa villkor, är den s.k. principalkomponentmetoden, som tidigare använts vid kemisk databehandling och vid kvalitativ analys av livsmedel. Jämför artikeln "Pattern Recognition: Finding and using regularities in multivariate data" av S. Wold, C. Albano, W.J. Dunn, K. Esben- sen, S. Hellberg, E. Johansson och M. Sjöström i publikationen "Food Research and Data Analysis", Applied Science Publishers, London and New York, 1983.

Tillämpad pà tillstàndsövervakning av maskiner innebär denna principalkomponentmetod att multivariata mätdata Xik approxima- ras genom linjär projicering till ett nytt koordinatsystem med färre koordinataxlar (L; L < M) enligt sambandet: L Xiu = Ai faåßiaTan + Rik där de nya variablerna A, B och T beskriver den systematiska delen av mätdata Xik, och där restmatrisen Rik beskriver den slumpmässiga delen av Xik. Det bör påpekas att transformen separerar mätdata dels i parametrar (A, B), som beskriver tillstándsvariablerna, dels i parametrar (T), som beskriver maskintillstàndet vid respektive mätning (k). Parametrarna Tak beskriver k-tillstàndets plats i den M-dimensionella punktsvär- men och används därför för diskriminering av tillstàndsklasser.

Anpassning av principalkomponenterna sker i konsekutiva steg, en komponent åt gången.

JE Q\ 04 LJ Qi CC »b Proceduren börjar med att mätdatamatrisen Xik normaliseras med respektive tillstàndsvariabels Vi standardavvikelse si, sa att alla variabler blir av ungefär samma storleksordning, varpå medelvärdet Ai subtraheras, dvs matrisen Xik - Ai bildas. På detta stadium anpassas den första principalkomponenten PCI = Bii Tik under användning av s.k. NIPALS algoritm (Appendix A i ovan nämnda artikel av Wold et al), vilken i korthet innebär att man börjar med en ansats eller kvalificerad gissning avseende vektorn B, beräknar vektorn T och kontrollerar kcnvergens, vilket upprepas iterativt till dess önskad noggrannhet uppnåtts.

Därpå bildar den första restmatrisen Riki = Xik-Ai-PC1, vilken används som ingangsmatris för bestämning av nästföljande (andra) principalkomponent, etc.

Antalet komponenter (Li bestäms av datamatrisens karaktär.

Anpassningsprocessen kan avbrytas, när inga systematiska delar finns kvar i restmatrisen Rik. Man kan ocksa, av praktiska skäl, avbryta anpassningsprocessen efter PC2. Då kan tillstanden avbildas pä ett plan med koordinataxlar motsvarande PC1 och PC2.

En tredimensionell avbildning kan konstrueras om anpassningen avbryts efter PC3. Tredimensionella avbildningar av mätdata är i regel att föredraga.

Det är av största intresse att veta hur mycket olika tillstånds- variabler bidrager till variansen längs varje principalkoordi- nat. För att separera olika tillstàndsklasser krävs, såsom nämnts ovan, att mätdata verkligen innehåller de tillstandsvari- abler, som är relevanta för beskrivningen av klasserna. För att avgöra detta definieras den s.k. modelleringsförmàgan Pia hos tillstandsvariabeln Vi längs respektive koordinataxel a (a = 1, 2, ..., L): Pia = 1 - 8ia(Rik¿) / Bi (Xik _ Ai) 15 20 25 J“> CA LJ (Al CN (JO där sia utgör standardavvikelsen för restmatrisen Rika och si utgör standardavvikelsen för matrisen (X¿k - Ai). Pi, varierar mellan 0 och 1. Om Pia är nära 0, påverkar variabeln Vi ej variansen längs den aktuella principalkoordinaten, och kan i princip uteslutas. Modelleringsförmàgan kan också uttryckas i procentenheter. Vidare definieras den totala modelleringsför- magan Fit för PC1, PC2 och PC3 enligt följande: P1: = \/ Variabler med en total modelleringsförmåga Pit nära 1 benämnes_ "starka" variabler. Starka variabler är relevanta vid diskrimi- nering av olika tillstánd, i synnerhet feltillstànd. Kunskapen om dessa variabler hjälper operatören att t.ex. identifiera fel i maskiner eller kan, i samverkan med en kunskapsbas, användas vid automatisk felidentifiering.

Nedan ges några tillämpningsexempel A, B och C pa metoden enligt uppfinningen, varvid hänvisas till bifogade ritningar, där fig. 1-3 visar flödesscheman svarande mot respektive exempel A-C.

Exempel A, êgalys av eg databas med motorgarametra; (jfr fig. 1) I samband med genomgång av en jetmotor mäts ett hundratal olika statiska och dynamiska variabler i motorn. T.ex. mäts, med hög noggrannhet, spel och kast i olika delar av rotor-statorsyste- met. Mätningarna läggs i en databas. När en motor godkänts efter _genomgång läggs dessa mätvärden "till handlingarna". När en motor däremot underkänts har man försökt att på olika sätt, bland ett hundratal mätvariabler, söka efter den eller de som har förorsakat underkännandet. Med elementär statistik som enda hjälpmedel är detta en olöslig uppgift. Användning av konventio- nella paket för avancerad statistisk analys är tyvärr för tids- krävande för att kunna användas operationellt.

(JU (N Un! CO 46 Vid tillämpning av metoden enligt uppfinningen användes ett tiotal databasposter med godkända motorer som en inlärninge- grupp. Till tabellen (matrisen) tillfogas posten för den testade, underkända motorn. Efter principalkoordinattransforme- ring rangordnas variablerna med hög modelleringsförmåga efter storlek. På detta sätt kan den eller de tillståndsvariabler utpekas, som med största sannolikhet ansvarar för motorns under- kännande. I kombination med en kunskapsbas (ett regelsystem) kan anvisningar om erforderliga tekniska atgärder utarbetas. Om metoden tillämpas före den slutgiltiga kontrollen i en testrigg kan i många fall besparingar göras genom att underkännanden efter kontrollen kan begränsas. x 1 av o f"r i i t iv (jfr fig. 2) Skovlar i en rotorekiva fördelas idag enligt av tillverkaren fastställda enkla regler, med hänsyn till skovelns momentvikt. Även datorprogram som gör upp fördelningar av skovlar runt f rotorskivan har börjat komma till användning. Ett sådant program fördelar skovlar med hänsyn till deras momentvikter, så att obalans minimeras. Metoden enligt föreliggande uppfinning ger möjlighet att kontrollera en erfarenhetsmässig eller beräknad skovelfördelning genom en jämförelse med tidigare, lyckade skovelfördelningar, helst från samma motor. Uppgifter i en databas innehållande sådana fördelningar av momentvikter, som gett tillfredställande dynamiska egenskaper, jämföras med en föreslagen fördelning. Ett mått på den föreslagna fördelningens godhet (avstånd till gruppen "lyckade fördelningar") samt en redovisning av de skovlar, som orsakar eventuella negativa dynamiska egenskaper i rotorsteget (starka variabler), kan härvid erhållas. 15 20 25 30 35 ih (_14 (N (N x D (jfr fig. 3) Vid motorkörning i en testrigg mäts och lagras ett stort antal M driftsvariabler (vanligen nagot 100-tal). I modernare riggut- rustningar avläsas även lägen hos alla manuella kontroller som hanteras av operatören. Den automatiska övervakningen är idag så anordnad, att max- och min-gränser finns utsatta för vissa väsentliga variabler, och att systemet larmar vid vissa inpro- grammerade kombinationer av diskreta och logiska variabler.

Systemet larmar således för tidigare kända oönskade situationer.

Metoden enligt uppfinningen kan härvid tillämpas enligt tva olika varianter vid motorkörning i testrigg: Variant 1. En stor inlärningsgrupp bildas innehållande 2 - 3 mätningar för varje tillåten driftsituation (svarande mot en specifik referensklass). Till den så erhållna tabellen eller datamatrisen fogas fortlöpande varje ny mätning. Den nya mätningen (en punkt i det M-dimensionella rummet) testas med avseende pä sitt avstånd till inlärningsgruppen. Om den nya punkten ligger utanför inlärningsgruppen, fastställes ett avvikande tillstànd och redovisas eventuella starka variabler.

Om operatörens åtgärder finns bland de starka variablerna, kan systemet, med stöd av en kunskapsbas, ge operatören rad och information om i denna situation lämpliga åtgärder. Eventuella operatörsfel kan pà detta sätt upptäckas och åtgärdas.

Variant 2. Flera inlärningsgrupper bildas, en för varje intres- sant driftsituation. Varje inlärningsgrupp innehåller ett tiotal mätpunkter härrörande fràn denna situation. Bland inlärninge- grupperna kan vissa oönskade situationer, t.ex. fel, vara lagra- de. Varje nyinkommen mätpunkt, eller flera efter varandra inkom- na, kan sedan testas mot inlärningsgrupperna. Genom att söka efter bästa anpassning till en inlärningsgrupp kan driftsitua- tionen med stor säkerhet identifieras. En samtidig redovisning $> 0\ 04 L! 0! CU m av starka variabler kan, i kombination med en kunskapsbas, användas för att åstadkomma en diagnos samt för att ge råd till eventuella åtgärder.

Bada varianterna kan användas såväl i realtid som i efterhand för analys av insamlade mätdata. Bada varianterna kan vidare användas pà alla typer av processmaskiner, där en stor mängd driftsvariabler gör att situationen kan vara svar att överblicka för en människa.

Claims (10)

9 'fe 11:* Hud UuvJ PATENTKRAV

1. Sätt att övervaka och/eller diagnostisera aktuella drift- tillstànd hos komplicerade maskiner med ett flertal, bl.a. vibrationsalstrande, i synnerhet roterande,maskinkomponenter, varvid ett flertal (M) fysikaliska tillstàndsvariabler (Vi,i = 1,2, ..., M) för nämnda maskinkomponenter mätas vid ett antal (N) tidpunkter (tk, k=1,2, ...,N) för sammanställning av ett motsvarande antal (MxN) mätdata (X¿k; i = 1,2, ..., M; k = 1,2, ..., N), som bearbetas enligt statistiska metoder i en dator för bildande av en eller ett flertal referensklasser svarande mot specifika drifttillstànd hos maskinen, varvid aktuella mät- eller beräkningsdata (Xik; i = 1,2, ..., M) jäm- föres med nämnda referensklass(er) för diagnos av motsvarande aktuella drifttillstànd hos maskinen, k ä n n e t e c k n a t av - att för bildande av resp. referensklass användes en såsom inlärningsgrupp tjänande grupp mätdata (Xik; i = 1,2, ..., M; k = 1,2, ..., N';N'$ N) härrörande från nämnda mätning av maskinkomponenternas fysikaliska tillstàndsvariabler, varvid dessa mätdata (Xik) anpassas på i och för sig känt sätt genom linjär projicering till ett nytt koordinatsystem med färre koordinataxlar (L;L < M) under bibehållande av mät- datas varians och olika drifttillstànds selektivitet, enligt sambandet L Xik = Ai +åÉ|BiaTak + Rik; i =1,2,...,M;k =1,2...,N' där Ai utgör resp. tillstàndsvariabels (Vi) medelvärde; Bia och Tak utgör ett reducerat antal parametrar i det nya koordinatsystemet väsentligen svarande mot den systematiska delen av mätdata; Rik utgör en restmatris väsentligen svarande mot den slumpmässiga delen av mätdata; - att nämnda aktuella mät- eller beräkningsdata (Xikg i=1,2, ...M; N'$k$N) anpassas pà motsvarande sätt till nämnda nya koordinatsystem, 10 :> CN LN ei Lu co - att det aktuella drifttillstàndet hos maskinen jämföres med nämnda specifika drifttillstånd genom bestämning av det inbördes avståndet mellan å ena sidan nämnda aktuella mät- eller beräkningsdata och å andra sidan mot resp. inlärninge- grupp svarande mätdata i det nya koordinatsystemet, och - att för det fall nämnda avstånd understiger ett förutbestämt värde, identifieras motsvarande specifika drifttillstànd hos maskinen och, för det fall nämnda avstånd överstiger ett förutbestämt värde, fastställes vilka tillstandsvariabler och, pà grundval därav, vilken eller vilka maskinkomponen- ter, som förorsakar avvikelsen genom beräkning av respektive tillståndsvariabels påverkan av variansen längs resp. koordinataxel i det nya koordinatsystemet.

2. Sätt enligt krav 1, k ä n n e t e c k n a t av att nämnda anpassning av mätdata (Xik) till det nya koordinatsystemet genomföras stegvis, varvid i varje steg (a; a = 1,2,..., L) väljas resp. koordinataxel på så sätt, att variansen för nämnda parametrar (Bia,Tak) längs denna koordinataxel minimeras.

3. Sätt enligt krav 2, k ä n n e t e c k n a t av att nämnda stegvisa anpassning utföres enligt NIPALS algoritm.

4. Sätt enligt krav 2 eller 3, k ä n n e t e c k n a t. av att det nya koordinatsystemet har en, tva eller tre koordinat- axlar (L=1,2 eller 3).

5. Sätt enligt något av kraven 2 - 4, k ä n n e t e c k n a t av att nämnda beräkning av resp. tillståndsvariabels påverkan av variansen längs resp. koordinataxel utföres pà grundval av resp. tillståndsvariabels s.k. modelleringsförmàga (Pia; a = 1, L) enligt formeln: _ Pia = 1 - sia/si; 4 där sia och si utgör standardavvikelsen hos Rika resp. = Ai; och Rika utgör restmatrisen efter resp. anpassningssteg (a); 11 J Cñ t Q (N C varvid denna modelleringsförmàga (Pia) kan antaga värden mellan 0 och 1 och tillstàndsvariabelns totala modelleringsförmàga (Fit) beräknas sàsom en kombination av värdena för de olika an- passningsstegen (a), så att en total modelleringsförmàga mellan 0,5 och 1 utpekar ifrågavarande tillstàndsvariabel såsom bi- dragande till nämnda avvikelse.

6. Sätt enligt krav 5, k ä n n e t e c k n a t av att resp. tillstándsvariabels totala modelleringeförmàga (Pit) beräknas enligt formeln

7. Sätt enligt något av föregående krav, k ä n n e t e c k - n a t av att nämnda mät- resp. beräkningsdata (Xik) normali- eeras med resp. tillstàndsvariabels standardavvikelse (si), beräknad på nämnda inlärningsgrupp, före nämnda anpassning till det nya koordinatsystemet.

8. Sätt enligt nágot av föregående krav för analys av tidigare genomförda, i en databas lagrade mätdata avseende komplicerade maskiner av samma typ, vilka maskiner godkänts eller underkänts vid genomgång eller provdrift, k ä n n e t e c k n a t av att man använder ett flertal, från godkända maskiner härrörande mätdataposter som inlärningsgrupp och en eller flera, från underkända motorer härrörande mätdataposter som nämnda aktuella mätdata, varpà framtages en lista pà de tillstàndsvariabler som med viss sannolikhet bidragit till maskinens underkännande.

9. Sätt enligt nagot av kraven 1 - 8 för övervakning av olika drifttillstànd vid testkörning av komplicerade maskiner, som åtminstone delvis styrs manuellt av en operatör, k ä n n e - t e c k n a t av att man använder ett flertal, fràn tillåtna drifttillstànd härrörande mätdataposter som en eller flera in- lärningsgrupper och fortlöpande tillför aktuella mätdata här- 465 358 12 rörande från testkörningen, varvid avvikande drifttillstànd och dessa förorsakande tillstàndevariabler redovisas fortlöpande för diagnos och eventuella operatörsátgärder.

10. Sätt enligt något av kraven 1 - 7 för förhandsberäkning huruvida en tilltänkt modifiering av en beprövad maskinkonstruk- tion kommer att ge acceptabelt resultat, k ä n n e t e c k - n a t av att man använder fràn ett flertal beprövade och god- kända maskinkonstruktioner av liknande slag härrörande mätdata- poster som inlärningsgrupp och datorberäknade data svarande mot nämnda tilltänkta modifiering som nämnda aktuella data.