《用于对资产系统进行高级状况监视的系统和方法》由会员分享，可在线阅读，更多相关《用于对资产系统进行高级状况监视的系统和方法（8页珍藏版）》请在金锄头文库上搜索。
1、用于对资产系统进行高级状况监视的系统和方法专利名称：用于对资产系统进行高级状况监视的系统和方法技术领域：本发明一般涉及基于状况的维护(CBM)，具体来说涉及使用智能传感器对资产进行高级状况监视以改善资产维护的灵活性和响应度，增加资产的运作可用性以及减少资产的生命周期总拥有成本。背景技术：有数十亿(billion)美元投入到固定厂房设备中，这对支持工业和基础设施活动起着至关重要且时间迫切的作用。必不可少地，应迅速地识别这些设备的退化，以便在退化的设备失效且严重地影响它们所属的系统的效率，甚至更严重地导致物理损伤大大延伸到失效设备之外前隔离或维修它们。多年以来，维护不断发展，从单纯对设备故障进行反
2、应(更正性维护)，到执行基于时间的预防性维护，再到目前基于系统/资产的状况关注执行维护的需求(基于状况的维护)。异常检测是设备监视、故障诊断和系统预测中的关键任务。它包括监视系统状态的变动以检测故障行为。对异常的早期检测将能够在潜在故障进一步发展，导致继发损坏以及设备停机之前采取及时维护措施。现有的异常检测方法通常利用单变量技术来检测单个传感器测量中的变动。但是，通常，系统的状态由一起考虑的多种传感器测量值之间的相互作用和相互关系来表征。越来越需要基于状况的维护(CBM)以改进维护的灵活性和响应度，增加运作可用性，和减少寿命周期总拥有成本。发明内容简言之，一种用于对资产系统进行高级状况监视的方
3、法包括如下步骤将资产系统的工作空间分成多个工作状态(operatingregime);使用多个自联想神经网络(AANN)来确定多个工作状态的至少一个工作状态中至少一个传感器感测的实际值的估算；从多个自联想神经网络的每一个自联想神经网络确定估算的感测值与至少一个传感器感测的实际值之间的残差(residual);以及使用模糊监控模型混合器组合这些残差；对组合的残差执行故障诊断；通过分析组合的残差确定资产系统的工作的变动；以及如果已确定资产系统的工作的变动，则提供告警。在本发明的另一个方面中，一种智能传感器系统包括用于监视资产系统的工作状况的智能传感器，该智能传感器经电缆连接到输入端口；以及用于使用
4、上一个段落引述的方法对资产系统进行高级状况监视的板载(on-board)处理单元。当参考附图阅读下文的详细描述时，将更好地理解本发明的这些和其他特征、方面和优点，在所有这些附图中相似符号表示相似的部件，其中图1图示根据本发明的一个实施例的高级状况监视设备的示意图。图2是操作员控制设定序列的流程图。图3A是来自涡轮风扇发动机的归一化时间序列传感器数据，其中在序列结束时大修。图3B表示用于对图3A的归一化时间序列应用的变动检测的HotellingT2统计的计算的输出。图4图示使用峰度识别偏离正常。图5图示6个系统监视器的仿真数据。图6使用彩色编码图显示各个变量对HotellingT2的贡献。图7示
5、出使用熵和少数决定测量的异常值识别。图8是传感器故障的数据生成的图表，其中左边图表中显示正常传感器测量，而右边图表中插进各个传感器故障(读数偏移)，其中以红色箭头指示。图9(A)是变量贡献矩阵的显示，其中突出显示的点指示对高f计分有责任的传感器。图9(B)是HotellingT2统计的图表，其中尖峰T2值指示传感器读数中的异常。图10示出系统故障的数据生成，其中在系统故障的情况下生成虚线后的数据点。图11是变量贡献矩阵的显示，其中突出显示的点指示对高T2计分有责任的传感器。图12是HotellingT2统计的图表，其中高的T2值指示传感器测量中的异常。图13是7-5-3-5-7自联想神经网络(
6、AANN)的体系结构的示意图。图14是使用AANN的异常检测范例的示意图。图15(A)是典型原始传感器测量XI(t).X9(t)的样本的显示。图15(B)是与图15(A)的原始传感器测量Xl(t).X9(t)对应的残差值Rl(t).R9(t)的图表。图16示出在测量第5个变量的传感器数据中插入大阶梯函数之后的残差值。图17是使用飞行包络的不同工作状态的图示。图18(a)-(c)示出来自不同工作状态的测试集上的不同AANN模型的残差。图19(a)-(c)示出来自不同工作状态的测试集上的全局AANN模型的残差。图20(a)和20(b)是系统工作状态的转变的图示。图21(a)和21(b)分别是定义飞
7、行工作状态的变量的飞行状态转变和模糊隶属函数的图示。图22是通过模糊监控模型的AANN内插的方案的示意图。图23(A)和23(B)是飞行状态沿着图20(A)和图20(B)中定义的轨迹转变时来自AANN_1和AANN_2的残差的图表，以及图23(C)是来自模糊监控模型的残差的图表。图24是在上方坐标轴系上将当前点与过去比较的时间序列故障检测的通用方法的图表，以及在下方坐标轴上未使用小的缓冲区(buffer)使差异更明显。图25(A)-(C)是初始数据的置换(permutation)检验的图示；随机再贴标签(relabeling)的一种实现，分别用于100000个置换(实线)和原始排序(虚线)的检
8、验统计量的分布。图26是图示带有在红线处发生偏移变动的时间序列的单变量变动检测的示例的图表，并且如果虚线是每种技术的告警阈值，则圆圈点是检测到变动的位置。部件列表10智能传感器系统ll板载处理单元12智能传感器14电缆16输入端口18显示和告警单元20输出端口22局部控制24无线通信单元26外围处理设备28电源30输入端口具体实施例方式参考附图，在所有不同视图中完全相同的引用数字表示相同的组件，图1图示根据本发明实施例的智能传感器系统10，该智能传感器系统10具有对一件或多件设备(未示出)(例如涡轮、电动机等)进行高级状况监视的一个或多个智能传感器12。正如本文定义的，一件或多件设备包括资产系
9、统(未示出)。在图示的实施例中，四个传感器12监视要由智能传感器系统IO监视的资产系统的一件或多件设备的关注物理参数的工作状况。智能传感器系统10监视的工作状况包括但不限于压力、温度、振动等。将认识到，本发明不局限于传感器12的此数量，而是可以通过用于监视资产系统的任何期望数量的传感器来实施本发明。而且，还将认识到本发明不局限于监视关注物理参数的工作状况的传感器，而是可以通过监视具有可由传感器12测量的任何状况的任何装置、器件或系统的传感器来实施本发明。资产系统可以包括具有设备标签(未示出)的设备，设备标签识别正在被系统10监视的设备。产生来自传感器12的信号并由电缆14将其传输到智能传感器系
10、统10的输入端口16。对于多个传感器12可以有单个输入端口16，或对于每个传感器12可以有单个输入端口16。智能传感器系统10可以具有显示和告警单元18，除了分析器设置外，显示和告警单元18上还可以显示计算结果或启动告警。计算结果也可通过输出端口20提供。智能传感器系统10还由一个或多个局部控制22来控制，一个或多个局部控制22可以由操作员手工设置。还可以通过经过输入端口30输入的指令来控制系统10，并且还可以对系统IO进行编程。系统10包括具有内置天线(未示出)的无线通信单元24，用于以无线方式将来自智能传感器10的信号传送到外围处理设备26(例如个人计算机等)。此特征使得能够通过因特网或其
11、他有线或无线网络进行远程操作。系统10还包括电源28，例如电池、能量收集器(energyharvester)等。多个这种智能传感器系统10以远程方式与外围处理设备26通信，可以采用分布式方式来部署以便在广泛分布式系统(例如，发电厂、基础设施资产)上实现高级状况监视。可以通过两个不同的群体(party)来对智能传感器系统10编程以对资产系统进行高级状况监视。第一群体是设备技术人员。设备技术人员设置控制诸如但不以限制形式，采样率、样本的数量、分析窗口大小、后置滤波操作的选择和调节、数据输出格式化和传输类型以及结果的显示格式化。第二群体是设备操作员。操作员也设置控制诸如且不以限制方式，要使用的传感器
12、的数量和类型、感测的数据的数据延迟以及要执行的数据采集和处理的类型。图2中图示操作员控制设置序列(controlsettingsequence)的典型流程图。在步骤S2.1中，将设备标识符输入到高级状况监视系统10中。设备标识符驻留在设备标识标签上。设备标识符可以包括数字、字母和承载符号的其他信息，例如条形码(举例而非限制)。设备标识符还可以采用电子而不可视形式存在，例如RFID设备(举例而非限制)。将设备标识符输入到高级状况监视系统10可以通过多个途径的其中之一，例如(举例而非限制)操作员读取并输入可视标识标签、条形码读取器和RFID读取器。操作员控制设置序列然后进行到步骤S2.2，其中操作
13、员设置后续监视活动中要使用的传感器的数量。操作员控制设置序列然后进行到步骤S2.3，其中操作员设置有关传感器输入的数据延迟。使用至少一个非零数据延迟的一个实施例包括存在单个传感器情况中的监视活动。如果在步骤S2.2中输入的传感器的数量是1且在步骤S2.3中输入非零数据延迟，则高级状况监视系统IO将配置其处理，从而将利用单个传感器数据的延迟版本来处理该数据。操作员控制设置序列然后进行到步骤S2.4，其中操作员被询问后续监视活动是否是比较运行。如果操作员输入否，则高级状况监视系统10将自行配置成执行HotellingT2统计而不包含或涉及相同设备标识符的先前监视活动的数据或结果，并且操作员控制设置
14、序列进行到步骤S2.8，高级状况监视系统10准备提取监视数据。如果操作员输入是，则操作员控制设置序列进行到步骤S2.5，其中操作员被询问操作员是否要使用来自上次监视活动的已存储均值向量。如果操作员输入是，则操作员控制设置序列进行到步骤S2.7，高级状况监视系统10加载或以其他方式访问相同设备标识符的上次监视活动的均值向量。操作员控制设置序列然后进行到步骤S2.8，其中高级状况监视系统10准备提取监视数据。如果操作员输入否，则操作员控制设置序列进行到步骤S2.6，其中认为操作员期望加载来自相同设备标识符的上次监视活动的实际工作数据。控制然后进行到S2.8，高级状况监视系统10准备提取监视数据。H
15、otellingT2技术过去是使用来自GE90航空发动机的真实监视数据检验的。图3A呈示在一段时间(包括由于磨损而在周期2N处进行大修时的时间)上从涡轮风扇发动机收集的一些示范传感器数据。示出的有三个轨迹对标记为周期(#)的横坐标。上方轨迹是废气温度(EGT)的轨迹。中间轨迹是燃油流速(WFM)的轨迹。下方轨迹是核速度(corespeed)(N2)。将认识到，随着发动机磨损不断进行，传感器测量中没有明显的移位趋势。图3B呈示包含图3A的数据计算Hotellingf检验的输出。将注意到，该HotellingT2统计从相对较低值的范围上升到远高得多的水平，远高得多的水平指示在本例中指示磨损的数据趋
16、势(datatrend)。渐增的T2统计反映系统状态偏离正常。旦Hotel1ingT2统计识别出复杂系统的工作中的变动，则方法开始将驱使偏离正常工作的系统相关变量隔离。总的来说，Hotellingf统计是简单但非常有效的技术，而且计算需求小。这些特征使得它适合于在在线监视和手持设备中部署。如果复杂系统中的变动是由传感器导致的，则可以校正传感器故障。另一方面，如果复杂系统中的变动是系统相关的，则可以报告系统故障。对已发展的HotellingT2统计执行选择性的后处理是可能的，并且可以是非常实用的。这种后处理可以设计成反映例如统计量上升的速率、阈值交叉的时间以及数据趋势的持续时间等数据。后处理方法和技术包括(例如而非限制)基于L1、L2的曲线拟合或其他范数极小化技术、小波、模型拟合、中值滤波和其他降噪技术。多变量变动检测在复杂系统中，完全地装备并校准所有来自一组传感器的许多变量是不可能的。之所以这样是因为复杂系统将经历非常大数量的状态，而且将以非常大数量的模式工作，每种模式在状态空间中展现唯一的正常工作包络。因
