[发明专利]用于对资产系统进行高级状况监视的系统和方法

说明书

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(operating regime)； 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。

附图说明

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Hotelling T²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Hotelling T²的贡献。

图7示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T²计分有责任的传感器。

图9(B)是Hotelling T₂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Hotelling T₂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(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。