WO2022010377A1 - Method and system for remotely monitoring and forecasting the state of technical equipment - Google Patents

Method and system for remotely monitoring and forecasting the state of technical equipment Download PDF

Info

Publication number
WO2022010377A1
WO2022010377A1 PCT/RU2020/000552 RU2020000552W WO2022010377A1 WO 2022010377 A1 WO2022010377 A1 WO 2022010377A1 RU 2020000552 W RU2020000552 W RU 2020000552W WO 2022010377 A1 WO2022010377 A1 WO 2022010377A1
Authority
WO
WIPO (PCT)
Prior art keywords
state
data
indicators
parameters
control object
Prior art date
Application number
PCT/RU2020/000552
Other languages
French (fr)
Russian (ru)
Inventor
Михаил Валерьевич ЛИФШИЦ
Артём Иннокентьевич МАРКЕЛОВ
Антон Андреевич ПЕРСЯЕВ
Original Assignee
Акционерное Общество "Ротек"
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Акционерное Общество "Ротек" filed Critical Акционерное Общество "Ротек"
Publication of WO2022010377A1 publication Critical patent/WO2022010377A1/en

Links

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

Abstract

The invention relates to remotely monitoring and forecasting the technical state of a wide range of apparatus. A method for remotely monitoring and forecasting the state of technical equipment pertaining to turbine-generator units includes obtaining data from a piece of equipment being monitored; generating on the basis of said data a reference sample of operating indices, and constructing a state matrix from components of points of the sample. Using the MSET method and the state matrix, empirical models forecasting the state of the equipment are constructed. On the basis of the difference between the components of an observed point and the components of a point modelling the state of the equipment, discrepancy components are determined. Disruptions are determined which reflect the degree of influence of the operating indices of the equipment on a deviation in the parameter indices of the equipment. Incoming information from the equipment being monitored is analysed. The degree to which the parameters of the equipment being monitored deviate from the indices of the empirical models is also determined, and disruptions pertaining to such indices are identified. The calculated disruptions are ranked. On the basis of a filtered sample, the empirical models are updated, and a signal of the deviation of a parameter of the equipment being monitored is generated on the basis of the updated model. The invention makes it possible to increase the accuracy of forecasting technical characteristics of the equipment being monitored and to reduce labour costs by increasing the level of automation and the speed with which data is processed.

Description

НАЗВАНИЕ ИЗОБРЕТЕНИЯ: СПОСОБ И СИСТЕМА УДАЛЕННОГО МОНИТОРИНГА И ПРОГНОЗИРОВАНИЯ СОСТОЯНИЯ ТЕХНОЛОГИЧЕСКИХ ОБЪЕКТОВ NAME OF THE INVENTION: METHOD AND SYSTEM FOR REMOTE MONITORING AND FORECASTING THE STATE OF TECHNOLOGICAL OBJECTS
ОБЛАСТЬ ТЕХНИКИ FIELD OF TECHNOLOGY
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 condition 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, hydraulic turbines, heat exchangers, etc.
ПРЕДШЕСТВУЮЩИЙ УРОВЕНЬ ТЕХНИКИ PRIOR ART
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 deviations of the parameter. The reference model should be created for each piece of equipment individually “at 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 real-time correction of the reference model.
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 a method are known for monitoring a technical installation containing a plurality of systems, in particular a power plant installation (RU2313815C2). This patent uses a dynamic learnable model 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 for dependencies between operating parameters or operating and structural parameters of the system in operating parameters or operating and structural parameters using artificial intelligence methods and integrates the identified dependencies into dynamic model as new dependencies and thereby improves it in terms of improving the accuracy of predicting the behavior of the system, and through this, the dynamic model of the system is improved in terms of improving the accuracy of predicting the behavior of the system during the operation of the system, and by means of the analysis module are definable output data that characterize the current and/or future behavior of the system.
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 a single model, as well as the principle of a neural network, which requires both complex computing power and constant learning due to a complex forecasting model, which does not allow you 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) contains a turbine state analysis unit that determines it based on its state parameters, in particular, temperature, vibration indicators, etc., which are processed using a physical model of the turbine. Each of the obtained parameters of the control object is assigned a weighting factor, on the basis of which the control of the operation of the object is carried out for subsequent comparison with the parameters of the turbine and adjustment of 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 include simulation of the turbine operation process using the method of trainable models based on reference samples of control parameters, in particular, the MSET (Multivariate State Estimation Technique) technique, which does not allow you to quickly and accurately determine a possible future malfunction of the control object with using operational training of a 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. A well-known online process control system based on multivariate analysis (US8014880B2), which performs an analysis of 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 normal state models 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 operating mode of the control object and updating models for predicting the operation of the control object based on filtering the reference sample based on indicators coming from the control 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 the 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 multidimensional distribution of telemetry data in real time using the received telemetry variables. The system then analyzes the statistical deviation of the real-time multivariate distribution 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 rate and nature of non-dangerous 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. Known method and system for remote monitoring and prediction of the state of technological objects (RU2626780C1). In the method for remote monitoring and forecasting the state of technological objects related to turbine units, data is received from the control object; based on these data, a reference sample of performance indicators is formed and state matrices are built from the components of the sample points. Based on the MSET method, using the state matrix, empirical models for predicting the state of the object are built. Determined by the difference between the components of the observed point and the point modeling object state, residual components. Disorders are determined that reflect the degree of influence of the performance of the object on the deviation of the parameters of the object. Analyze the incoming information from the control object. The degree of deviation of the object parameters from the indicators of empirical models is determined and discords for such indicators are revealed. The calculated discords are ranked. Empirical models are updated based on the filtered sample and a control object parameter deviation signal is generated based on the updated model. Empirical models are statistical and dynamic models. For a statistical model, the preferred and sufficient sampling step is to record the change in values every 10 minutes, while for a dynamic model - once every 1 second. In fact, in terms of the result achieved, 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) have obviously 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 a system with feedback that provides the necessary adjustments depending on the speed and nature of the change 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. The technical solution according to patent RU2626780C1, chosen as a prototype, also uses a unidirectional flow data processing model without feedback, the construction of a reference state matrix and data analysis is carried out using primary data, without preprocessing, based on the MSET mathematical tools and calculating the integral criterion T 2 characterizing the deviation of the actual indicators of the technological parameters of the control object from the reference matrix. The reference model (state matrix) is static, which, together with the above features of the method, leads to insufficient accuracy and adaptability of the system to equipment characteristics that change during operation, as well as inefficiency in using dynamic data arrays with high variability for processing, characteristic of most intensively operated industrial units.
ОСУЩЕСТВЛЕНИЕ ИЗОБРЕТЕНИЯ IMPLEMENTATION OF THE INVENTION
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 forecasting the state of technological objects related to turbine units, feed pumps, turbogenerators, boiler, auxiliary equipment, transformer, power grid and other industrial equipment, or equipment components (hereinafter - Objects of control), allowing to identify changes in the technical condition and predict the dynamics of changes in the characteristics of the object of control to prevent the occurrence of critical situations. The method and system provide the ability to form an adaptive dynamic reference model of the control object and are implemented using a set of software and hardware feedbacks that provide optimal settings 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 predicting the state of technological objects, which consists in performing the following steps:
- 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 performance of technological parameters of the control object through a controlled feedback system (changes and frequency of updating of each parameter). As a result, a data array is formed consisting of parameter values that satisfies 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 (given by upper-level control systems). The presence of feedbacks makes it possible to form an array of primary data of the optimal size, which contributes to an increase in 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; - Data pre-processing. Correction of the primary values of indicators using threshold filters 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 repeating values, including zero (indicates the failure of the signal sensor). Parameters with a high correlation are separated into separate groups (later they are used for verification/replacement in case of failure of the signal sensor). The update rate is automatically changed in case of significant variations of any parameter (the greater the variation, the higher the update rate). Pre-processing increases the reliability of the data and helps to improve the accuracy of further 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 п, где п=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 the parameter values (the slower the changes occur, the less often 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 Chebyshev polynomials of the first kind of degree n, where n=4-10, obtained in the sample interval, are used as points;
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 l>0. Коэффициент l 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 point components for each reference sample, in which the components are the values of the mentioned performance indicators of the control object, with matrix regularization by multiplying the values of the matrix diagonals by the scalar factor l>0. The coefficient l is found by the gradient descent method [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 percentage 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 (updating) of the reference model of the Control Object (multidimensional matrix of states with dimension according to the number of sample parameters) based on the best reference sample with a given frequency. The adaptive nature of the dynamic reference model is more preferable, due to the inevitable changes in the technological parameters of the control object within its life cycle, since it provides an increase in the accuracy of identifying true anomalies (uncharacteristic deviations of the actual parameters from the reference model indicators). Indicators of approaching the reference sample can be a decrease in the values of systemic (multi- parameter) 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 control object using the MSET (Multivariate State Estimation Technique) method based on actual primary data (technological indicators of the control object functioning) after preliminary processing with a frequency determined by the rate of change of primary data. Each model displays the observed point of the state of the control object in the multidimensional space of indicators of its work to a point that models 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; - Identification of deviations of the actual performance 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 modeling the state of the object, the components of the residuals are determined, on the basis of which the criterion T 2 is calculated, which characterizes the deviation of the indicators of the technological parameters of the control object from the reference model at the observed point in space. Criterion T 2 is a quadratic form of 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 (multi-parameter) deviations, as well as correlation indicators between the dynamics of dependent parameters, are used to correct 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 Т2 и повысить % выявления отклонений; - Determination of discords that reflect the degree of influence of the performance indicators of the control object on the mentioned deviation of the process parameters indicators, as the difference between the T 2 criteria and the quadratic forms of the normalized residuals, with the coefficients of the pseudo-inverse matrix for the matrix obtained from the mentioned correlation matrix, in which the row and column corresponding to the given indicator of the object's performance are replaced by a zero value. The use of Chebyshev's polynomials in the formation of a reference sample makes it possible to achieve greater sensitivity in detecting disorders according to the T 2 criterion and to increase the percentage of deviation detection;
- Ранжирование вычисленных разладок для выявления показателей, вносящих наибольший вклад в изменение технического состояния объекта контроля; - Ranking of the calculated discords to identify the indicators that make the greatest contribution to the change in the technical state of the control 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 non-characteristic deviations, forecasting the timing of the output of a parameter or a group of parameters to threshold values. Allows you to detect in advance the increase in the deviation of the technological indicator of functioning from the reference one;
- Формирование сигналов оповещения о наличии нехарактерного отклонения, превышающего пороговое значение и/или наличие динамики показателя с прогнозируемым превышением порогового значения в заданном временном горизонте; - Formation of alert signals about the presence of an uncharacteristic deviation exceeding the threshold value and / or the presence of the dynamics of the indicator with a predicted excess 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 incoming requests from external users for possible adjustment of the reference model (definition of the time interval for the formation of the reference sample) and control signals to changes to 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 variant, 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 particular case, the threshold values for detecting uncharacteristic deviations can be determined according to the technical requirements defined by the manufacturers of equipment or components.
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 variant, during the operation of the control object, an archive (library) of reference models is formed for various operating modes and states of the control object after the repairs of individual nodes. This allows you to quickly select the most appropriate reference model when the current state or operation 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, ОРС-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 ОРС-коллектор выполнены с возможностью реализации способа по любому из пп. 1 - 4. The claimed technical result is also achieved due to the hardware architecture of the remote monitoring and forecasting system (SUMiP), containing a group of sensors associated with the control object and transmitting information about the technological parameters of the said object to the main APCS server or local ACS, designed to accumulate received from controllers data and subsequent transmission of said data to the lower level zone of the system, including at least an OPC collector, from which, through the data transmission network, the data of the technological parameters of the control object are transmitted to the upper level zone, which contains the upper level server, into which, according to the proposal , 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 the OPC collector are configured to implement the method according to any of paragraphs. 14.
ВАРИАНТ ОСУЩЕСТВЛЕНИЯ ИЗОБРЕТЕНИЯ EMBODIMENT OF THE INVENTION
В частном варианте при работе с локальными САУ и использованием промышленных протоколов типа IEC 60870, Profibus, Modbus управляемый ОРС- коллектор дополняется соответствующим ОРС-конвертером, обеспечивающим преобразование данных в формат ОРС-протокола; In a private variant, when working with local ACS and using industrial protocols such as IEC 60870, Profibus, Modbus, controlled OPC- the collector is supplemented with an appropriate OPC converter that provides data conversion to the OPC protocol format;
В другом частном варианте интеграция всех модулей верхнего уровня осуществляется через web-сервер. In another private variant, 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. In FIG. 1 shows the algorithmic architecture of the solution.
На фиг. 2 показана аппаратная архитектура решения. In FIG. 2 shows the hardware architecture of the solution.
На фиг. 3 показан вариант графического интерфейса пользователя СУМиП.In FIG. 3 shows a variant of the graphical user interface of SUMiP.
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 steps (Fig. 1): 1. Obtaining primary data from the control object; 2. Data pre-processing; 2a. Creation of empirical models using the MSET method; 3. Formation of reference samples; 4. Construction of state matrices; 5. Formation of the reference model of the control object; 6. Analysis of parameter deviations (calculation of T 2 ); 7. Definition and ranking of disorder; 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 level server 10 provides interaction with the APCS 11 (local ACS 12), organizes the selection of the necessary data, buffers, encrypts and transfers data to the upper level server 9. The operation of the lower level server 10 is carried out through the upper level server 9, certain low-level server settings 10 through the appropriate configuration files. The server 13 of the upper level 9 provides a solution to analytical problems of identifying and predicting deviations, manages the flow of input data through the server of the lower level 10, and also organizes two-way communication with users.
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 уровеньDuring the operation of the control object, signals from state sensors 14 (temperature, pressure, frequency / speed of rotation, flow, vibration displacement and vibration velocity, power, voltage and current strength) associated with various nodes of the Object are sent to the APCS 11 in real time, or to the local ACS 12 of the enterprise. Signal parameters are not processed or filtered. The main element of the lower level SUMiP - OPC collector 15, which provides the formation of the required data array in accordance with the specified format of the control signal for changes and the frequency of updating data, the OPC collector 15 is connected to the database 16 of the lower level server 10. The OPC collector 15 ensures the formation of the required data array in accordance with the parameters of the control signal coming from the systems (servers) of the upper level 9. OPC-collector 15 performs the function of a control router-converter, changing the transmission frequency and data content. To control the OPC collector 15, an additional data transmission channel is formed, which can be implemented both in a physically dedicated version and without selection with the organization of two-way traffic in the main channel. The channel for transmitting the control signal to the OPC-collector 15 is one of the hardware elements of the SUMiP feedback system. Database 16 contains information for a limited period of time (for the necessary duplication of data in case of local failures in the transmission of information to the upper level
9). 9).
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. The organization of SUMiP at the lower level 10 is advisable to perform in the form of a demilitarized zone using firewalls that receive data from the APCS 11 server (local ACS 12) and further data transmission to higher levels. The specified scheme isolates the equipment of the automated control system TP 11 (local ACS 12), ensuring the safety of the received data in the event of emergency situations. An important component of the architecture of the lower level SUMiP is a crypto-gateway 17, which provides data protection in the process of bilateral exchange. Data transfer to the upper level 9 of SUMiP is carried out via the Internet in encrypted form, in the process of transmission, the procedure for synchronizing the servers (databases) of the lower 10 and upper 9 levels is used.
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-level server 13 performs several main tasks: 1) pre-processing and control of the flow of primary data, 2) building and updating the reference model, analyzing deviations and detecting anomalies; 3) organization of bilateral data exchange channels with users 18; 4) integration-synchronization of data from various SUMiP subsystems (including expert modules). Using top server 13 the control part of the SUMiP hardware-software feedback complex was implemented: control of the composition of signals and the frequency of data updating, auto-correction of the reference model, control at the request of external users 18.
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-level database 9 contains data for the entire period of operation of the control object (after connecting to SUMiP), after a certain time the data is archived. The receipt and processing of data on the top-level server 9 is carried out in real time.
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 SUMS data, based on the use of the MSET method with the criterion T 2 (stage 2a), are described in detail in 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: The salient 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 Стью дента); 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 parameter changes (increase, decrease) are in the range of 0-2% of the values of the previous indicators (for smaller parameter variations, data is not updated). The threshold level for each parameter is determined by the parameter's inherent variability (based on historical data) and can be set automatically or based on expert user 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 user expertise. The information pre-processing subsystem identifies the failure of the sensors by the signal level (the parameter value remains unchanged for a given number of cycles) and excludes the corresponding data from the array, and also smooths out one-time non-characteristic parameter values using well-known statistical methods (for example, the Student criterion);
- 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 Т2. 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 of forming state matrices using polynomials as sampling points of nodes (zero values) Chebyshev of the first kind of degree from 4 to 10, obtained in the sampling interval, as well as regularization of matrices through the multiplication of the values of the diagonals of the matrices by a factor determined by the gradient descent method. The use of Chebyshev polynomials to increase the reliability of the sample is due to the fact that according to [Amosov A.A., Dubinsky Yu.A., Kopchenova N.V. Computational Methods for Engineers: Textbook. - M .: Higher. school, 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 calculation of the T 2 criterion. In turn, reducing the error in detecting anomalous deviations makes it possible to more accurately monitor and predict the further dynamics of the development of the identified anomaly, calculating the timing of the output of technological parameters to 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 the change in the primary data, as well as the nature of the resulting deviations. The reference model is updated when systemic (multi-parameter) deviations are identified, 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 true (resistant to model parameter variation) 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. 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. - Organization of two-way communication channels with users 18 in the course of work with SUMiP. In addition to receiving SUMS signals about the presence and dynamics of development of detected anomalies for certain technological parameters, the user 18 can vary the SUMS settings (request frequency, level of parameter changes, characteristics of reference samples, etc.) to assess the stability of observed deviations and analyze their possible causes. SUMiP signals are ranked according to the level of criticality of the identified deviation in accordance with the priority system, the database maintains a history of all SUMiP messages. The use of the above approaches can significantly increase the efficiency of working with data in relation to the prototype while improving the accuracy of calculations, in particular, the time interval (size of the data array) for the formation of a reference sample (data of technological parameters in a given time retrospective) is reduced from 12 months to 1 month.
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 a characteristic problem of overloading the blade apparatus of a GT-160 gas turbine, which occurs due to changes in temperature conditions in the flow path due to malfunctions in the operation of air valves. The gas-air mixture becomes more enriched, the temperature regimes 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 increase in temperature, which can lead to burnout and failure of the gas turbine blades.
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 N°l, баббита подшипника N°2, баббита подшипника N°3, перед компрессорной установкой, охлаждающей воды на входе, охлаждающей воды на выходе); - A group of temperature sensors (ambient air, gas at the inlet to the shutoff valve block, air in the process compartment of the shutoff valve block, at the inlet to the combustion chamber, at the outlet of the combustion chamber, at the outlet of the gas path, babbit bearing N ° l, babbit bearing N°2, Babbit bearing N°3, before compressor unit, inlet cooling water, outlet cooling water);
-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 of the combustion chamber, oil in front of the bearings, pressure pump for recirculation of air coolers);
-Группа датчиков воздуха (горячий/холодный статора/ротора); - Group of air sensors (hot/cold stator/rotor);
-Группа распределительных клапанов (природного газа, воздуха). - Group of distributive 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 (106В)» и «Температура этиленгликоля». The signals from the sensors 14 through the automatic control system TP 11 (local automatic control system 12) enter the ORS-collector 15. Control systems set the maximum update rate - 1 time per second and the minimum threshold for changing signals (0.1% of values of the previous value), since there is a rapid change in the values of temperature indicators (growth) and thermodynamically related indicators of pressure and pulsation. The minimum update rate is 1 time per 10 seconds, the maximum signal change threshold is 1% (set with slow changes in parameter values). In the event of a (temporary) failure of one or more sensors 14 (the indicator value becomes equal to zero or retains the previous value for 15 cycles), the data pre-processing module located at the upper level 9 of the SUMiP generates a control signal to exclude the indicator from the model. When the signal resumes, the reverse operation is performed. For intensively operated equipment, on average, "at the moment" do not function (mainly temporarily) up to 3-4% of sensors. In the context of this example, the signals from non-functioning sensors “GT outlet temperature (106V)” and “Ethylene glycol temperature” are excluded from further analysis.
ПРОМЫШЛЕННАЯ ПРИМЕНИМОСТЬ INDUSTRIAL APPLICABILITY
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). The formation (selection of the best) reference model of the control object based on the state matrices in a regular mode (without deviations) is carried out with a frequency of 1 time per week. When anomalies are detected, the parameters of the reference model are corrected (refined). The deviations adjustment control operates as follows: if the contribution to a significant increase in the indicator value T 2 is made of five or more parameters (the value found empirically), and / or these parameters are certainly low correlation, the reference model can be required (different time must be used interval for 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 increase in T 2 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. 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. 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. In the reasons for the discord, the leading positions in terms of the contribution made are occupied by the temperature parameters at the outlet of the GT, the positions of the regulatory bodies (distribution valves). The number of main influencing parameters is limited, which makes it possible to identify the anomaly as true. SUMiP generates a signal about the presence of an anomaly (a critical excess of the T 2 value of the normal level) and the parameters that made the main contribution to the observed deviation. Based on these data, the user 18 draws a conclusion about possible problems in the assembly unit and their criticality. The rate of occurrence of an anomaly can vary significantly - the time for the value of the T 2 indicator to go beyond the normal level can be from several seconds to several days. This necessitates equipment monitoring with on-line model tuning.

Claims

Формула изобретения. Claim.
1. Способ удаленного мониторинга и прогнозирования состояния технологических объектов, заключающийся в выполнении этапов, на которых: 1. A method for remote monitoring and forecasting the state of technological objects, which consists in performing the steps at which:
-получают данные от объекта контроля, характеризующие показатели технологических параметров работы упомянутого объекта; - receive data from the object of control, characterizing the indicators of the technological parameters of the operation of the said object;
-формируют на основании полученных параметров объекта эталонную выборку показателей работы объекта, состоящую из значений упомянутых показателей, представляющих собой точки выборки, причем упомянутая выборка соответствует временному промежутку непрерывной работы объекта контроля; - based on the obtained parameters of the object, a reference sample of the object's performance indicators is formed, consisting of the values of the mentioned indicators, which are sample points, and the said sample corresponds to the time period of continuous operation of the control object;
-осуществляют построение матрицы состояния из компонентов точек эталонной выборки, в которой компонентами являются значения упомянутых показателей работы объекта контроля; - carry out the construction of the state matrix from the components of the points of the reference sample, in which the components are the values of the mentioned performance indicators of the control object;
-на основании MSET (Multivariate State Estimation Technique) метода с помощью упомянутой матрицы состояния осуществляют построение эмпирических моделей прогнозирования состояния объекта контроля, каждая из которых отображает наблюдаемую точку состояния объекта контроля в многомерном пространстве показателей работы объекта в точку, моделирующую состояние объекта; - based on the MSET (Multivariate State Estimation Technique) method, using the said state matrix, empirical models are constructed to predict the state of the control object, each of which displays the observed point of the state of the control object in the multidimensional space of the object's performance indicators to a point simulating the state of the object;
-определяют по разности компонентов наблюдаемой точки и точки, моделирующей состояние объекта, компоненты невязок, на основании которых рассчитывают критерий Т2, который характеризует отклонение показателей технологических параметров объекта контроля от модели в наблюдаемой точке пространства, причем Т2 является квадратичной формой нормализованных невязок, коэффициентами которой являются элементы псевдообратной матрицы корреляционной матрицы для нормализованных невязок эталонной выборки; - determined by the difference between the components of the observed point and the point simulating the state of the object, the components of the residuals, on the basis of which the criterion T 2 is calculated, which characterizes the deviation of the technological parameters of the control object from the model at the observed point in space, and T 2 is the quadratic form of the normalized residuals, coefficients which are the elements of the pseudoinverse matrix of the correlation matrix for the normalized residuals of the reference sample;
-определяют разладки, отображающие степень влияния показателей работы объекта на упомянутое отклонение показателей технологических параметров объекта контроля, 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; -disorders are determined that reflect the degree of influence of the performance indicators of the object on the mentioned deviation of the indicators of the technological parameters of the control object, as the difference between the criteria T 2 and the quadratic forms of the normalized residuals, with the coefficients of the pseudoinverse matrix for the matrix obtained from the mentioned a correlation matrix in which the row and column corresponding to a given indicator of the object's performance are replaced by a zero value;
-осуществляют анализ поступающей информации от объекта контроля с помощью полученного набора эмпирических моделей путем сравнения полученных показателей объекта контроля с параметрами модели в заданный промежуток времени; - carry out the analysis of incoming information from the control object using the obtained set of empirical models by comparing the obtained indicators of the control object with the model parameters in a given period of time;
-определяют с помощью упомянутого критерия Т2 степень отклонения поступающих показателей параметров объекта контроля за заданный промежуток времени от показателей эмпирических моделей и выявляют разладки для таких показателей; - using the said criterion T 2 , the degree of deviation of the incoming parameters of the parameters of the control object for a given period of time from the indicators of empirical models is determined and discord for such indicators is detected;
-выполняют ранжирование вычисленных разладок для выявления показателей, вносящих наибольший вклад в изменение технического состояния объекта контроля; -perform the ranking of the calculated discords to identify the indicators that make the greatest contribution to the change in the technical state of the control object;
-модифицируют эталонную выборку с помощью ее пополнения новыми точками и фильтрацией точек, соответствующих режиму работы, описываемому моделью, и соответствующих новому техническому состоянию объекта контроля; -modify the reference sample by replenishing it with new points and filtering the points corresponding to the operating mode described by the model and corresponding to the new technical condition of the control object;
-обновляют на основании отфильтрованной выборки эмпирические модели и - update empirical models based on the filtered sample and
-формируют сигнал, сообщающий об отклонении по меньшей мере одного параметра объекта контроля, на основании обновленной модели, отличающийся тем, что - generate a signal indicating the deviation of at least one parameter of the control object, based on the updated model, characterized in that
-при получении данных формируют их массив, удовлетворяющий заданным условиям, а именно включают значения параметра в массив только при наличии отклонения от предыдущего значения не менее, чем на определённую величину с требуемой периодичностью, задаваемыми управляющими системами верхнего уровня; - upon receipt of data, their array is formed that satisfies the specified conditions, namely, the parameter values are included in the array only if there is a deviation from the previous value by at least a certain amount with the required frequency, set by the top-level control systems;
-корректируют первичные значения показателей с использованием фильтров пороговых значений и регрессионных моделей, исключая из дальнейшей обработки статистически нехарактерные для массива значения, и/или значения, превышающие максимальные пороги, установленные заводом-производителем оборудования, и/или показатели с повторяющимися значениями, в том числе, нулевыми, с автоматическим изменением частоты управляющего сигнала в случае существенных вариаций какого-либо параметра, при этом параметры с высокой корреляцией выделяют в отдельные группы для последующей проверки или замещения при выходе из строя по меньшей мере одного датчика; -correct the primary values of indicators using threshold filters and regression models, excluding from further processing statistically uncharacteristic values for the array, and/or values exceeding the maximum thresholds set by the equipment manufacturer, and/or indicators with repeating values, including , zero, with automatic frequency change a control signal in case of significant variations of any parameter, while the parameters with high correlation are separated into separate groups for subsequent verification or replacement in case of failure of at least one sensor;
-формируют последовательности эталонных выборок показателей работы объекта контроля, состоящих из значений данных показателей на определенных временных промежутках равной длины, при этом процесс повторяют с периодичностью, определяемой скоростью изменения значений параметров; -form sequences of reference samples of performance indicators of the control object, consisting of the values of these indicators at certain time intervals of equal length, while the process is repeated at intervals determined by the rate of change of parameter values;
-получают и обрабатывают входящие запросы от внешних пользователей для возможной корректировки эталонной модели, включающей, по меньшей мере, настройки модулей обработки первичных данных. - receive and process incoming requests from external users for possible adjustment of the reference model, including at least the settings of the primary data processing modules.
2. Способ по п. 1, отличающийся тем, что в качестве точек выборки используют узлы полиномов Чебышева первого рода степени п, где п=4-10. 2. The method according to claim 1, characterized in that the nodes of Chebyshev polynomials of the first kind of degree n are used as sampling points, where n=4-10.
3. Способ по п. 1 или п. 2, отличающийся тем, что при формировании эталонной выборки используют выборочный подход: из массива первичных данных извлекается каждый N-й показатель, где N=2, 3, .... 3. The method according to claim 1 or claim 2, characterized in that when forming the reference sample, a selective approach is used: each N-th indicator is extracted from the array of primary data, where N=2, 3, ....
4. Способ по п. 1 или п. 2, отличающийся тем, что пороговые значения для выявления нехарактерных отклонений определяют по техническим требованиям, определенным заводами-производителями объекта контроля или его узлов. 4. The method according to p. 1 or p. 2, characterized in that the threshold values for detecting uncharacteristic deviations are determined according to the technical requirements defined by the manufacturers of the control object or its components.
5. Система удаленного мониторинга и прогнозирования состояния технологических объектов, содержащая 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, ОРС-коллектор, из которой, посредством сети передачи данных, данные технологических параметров объекта контроля передаются в зону верхнего уровня, которая содержит сервер верхнего уровня, отличающаяся тем, что в неё введены две группы обратных связей: группа адаптивных обратных связей эталонной модели и группа пользовательских обратных связей, при этом сервер верхнего уровня и ОРС-коллектор выполнены с возможностью реализации способа по любому из пп. 1 - 4. 5. A system for remote monitoring and prediction of the state of technological objects, containing a group of sensors associated with the object of control and transmitting information about the technological parameters of the said object to the main server of the APCS or local ACS, designed to accumulate the data received from the controllers and then transfer the said data to the zone the lower level of the system, including at least an OPC collector, from which, through a data transmission network, the data of the technological parameters of the control object are transmitted to the upper level zone, which contains the upper level server, characterized in that two groups of feedbacks are introduced into it : a group of adaptive feedbacks of the reference model and a group of custom feedback, while the top-level server and the OPC-collector are configured to implement the method according to any one of paragraphs. 14.
6. Система по п. 5, отличающаяся тем, что при работе с локальными САУ и использованием промышленных протоколов типа IEC 60870, Profibus, Modbus, управляемый ОРС-коллектор дополняется соответствующим ОРС- конвертером, обеспечивающим преобразование данных в формат ОРС-протокола. 6. The system according to claim 5, characterized in that 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.
7. Система по п. 5 или п. 6, отличающаяся тем, что интеграция всех элементов верхнего уровня осуществляется через web-сервер. 7. The system according to claim 5 or claim 6, characterized in that the integration of all top-level elements is carried out through a web server.
8. Система по п. 5 или п. 6, отличающаяся тем, что адаптивные обратные связи включают в себя возможность управление частотой и составом сигналов, а также управление по отклонениям и представляют собой отдельные каналы передачи данных. 8. The system according to claim 5 or claim 6, characterized in that adaptive feedbacks include the ability to control the frequency and composition of signals, as well as control by deviations and represent separate data transmission channels.
9. Система по п. 5 или п. 6, отличающаяся тем, что пользовательские обратные связи обеспечивают возможность внесения изменений в настройки системы, касающиеся анализа устойчивости аномалий при вариациях ряда параметров и реализованы в виде двусторонних каналов обмена данными с управляющими оконечными устройствами. 9. The system according to claim 5 or claim 6, characterized in that user feedback provides the ability to make changes to the system settings regarding the analysis of the stability of anomalies with variations in a number of parameters and is implemented in the form of two-way data exchange channels with control terminal devices.
PCT/RU2020/000552 2020-07-06 2020-10-19 Method and system for remotely monitoring and forecasting the state of technical equipment WO2022010377A1 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
RU2020122349 2020-07-06
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
WO2022010377A1 true WO2022010377A1 (en) 2022-01-13

Family

ID=74106556

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/RU2020/000552 WO2022010377A1 (en) 2020-07-06 2020-10-19 Method and system for remotely monitoring and forecasting the state of technical equipment

Country Status (2)

Country Link
RU (1) RU2739727C1 (en)
WO (1) WO2022010377A1 (en)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114885234A (en) * 2022-07-11 2022-08-09 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
CN115013086A (en) * 2022-06-10 2022-09-06 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
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
CN116379793A (en) * 2023-06-02 2023-07-04 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
CN117851766A (en) * 2024-03-08 2024-04-09 济宁万生环保材料有限公司 Temperature data monitoring method for DOTP crude ester continuous distillation process

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114692433B (en) * 2022-04-28 2023-01-31 中原环保股份有限公司 Fault analysis method for power distribution cabinet surface temperature inspection

Citations (4)

* Cited by examiner, † Cited by third party
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
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
US20170220404A1 (en) * 2016-02-01 2017-08-03 Electro Industries/Gauge Tech Devices, systems and methods for validating and upgrading firmware in intelligent electronic devices

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8306931B1 (en) * 2009-08-06 2012-11-06 Data Fusion & Neural Networks, LLC Detecting, classifying, and tracking abnormal data in a data stream
US10626748B2 (en) * 2014-12-08 2020-04-21 General Electric Company System and method for predicting and managing life consumption of gas turbine parts
RU2649542C1 (en) * 2016-12-06 2018-04-03 Акционерное общество "РОТЕК" (АО "РОТЕК") Method and system of remote monitoring of objects

Patent Citations (4)

* Cited by examiner, † Cited by third party
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
US20160099853A1 (en) * 2014-10-01 2016-04-07 Cisco Technology, Inc. Active and passive dataplane performance monitoring of service function chaining
US20170220404A1 (en) * 2016-02-01 2017-08-03 Electro Industries/Gauge Tech Devices, systems and methods for validating and upgrading firmware in intelligent electronic devices
RU2626780C1 (en) * 2016-07-15 2017-08-01 Акционерное общество "РОТЕК" (АО "РОТЕК") Method and system of remote monitoring energy installations

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115013086A (en) * 2022-06-10 2022-09-06 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
CN114885234A (en) * 2022-07-11 2022-08-09 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
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
CN116379793A (en) * 2023-06-02 2023-07-04 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
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
CN117851766A (en) * 2024-03-08 2024-04-09 济宁万生环保材料有限公司 Temperature data monitoring method for DOTP crude ester continuous distillation process

Also Published As

Publication number Publication date
RU2739727C1 (en) 2020-12-28

Similar Documents

Publication Publication Date Title
RU2739727C1 (en) Method and system for remote monitoring and prediction of state of process objects
US7200520B2 (en) Device and method for monitoring an electric power station
CN109146093B (en) Power equipment field investigation method based on learning
JP7015108B2 (en) Operation support device, equipment operation system, operation method, control method and program
RU2626780C1 (en) Method and system of remote monitoring energy installations
CN1969239B (en) System and method for detecting an abnormal situation associated with a process gain of a control loop
JP2023017888A (en) Computer systems and methods for performing root cause analysis and building predictive model for rare event occurrences in plant-wide operations
RU2649542C1 (en) Method and system of remote monitoring of objects
JP5295482B2 (en) Machine monitoring method and system
US7818276B2 (en) Intelligent monitoring system and method for building predictive models and detecting anomalies
RU2482307C2 (en) Methods and systems for modelling of neuron networks of turbine components
US20080183444A1 (en) Modeling and monitoring method and system
KR20140130540A (en) Method and system for real-time performance recovery advisory for centrifugal compressors
CN101523316A (en) Method and system for detecting faults in a process plant
CN109827004B (en) Method and device for analyzing characteristics of regulating valve
CN116449771B (en) Digital twin modeling method of numerical control machine tool
CN116187552A (en) Abnormality detection method, computing device, and computer storage medium
Lutska et al. Forecasting the efficiency of the control system of the technological object on the basis of neural networks
CN116010114B (en) Equipment energy efficiency management and control system based on edge calculation
Al-Dahidi et al. A novel fault detection system taking into account uncertainties in the reconstructed signals
US20230376024A1 (en) Device and Method for Identifying Anomalies in an Industrial System for Implementing a Production Process
EP3303835B1 (en) Method for windmill farm monitoring
CN115699045A (en) Method and computing system for performing predictive health analysis of an asset
EP4020102A1 (en) System and method for operating an industrial process
US20240160165A1 (en) Method and System for Predicting Operation of a Technical Installation

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20944745

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20944745

Country of ref document: EP

Kind code of ref document: A1