Компьютерно-реализуемый способ мониторинга и обработки данных для распознавания и классификации аномалий в работе установок и оптимизации их технического обслуживания и система для выполнения данного способа Российский патент 2024 года по МПК G05B13/04 

ОБЛАСТЬ ПРИМЕНЕНИЯ ИЗОБРЕТЕНИЯ

[0001] Настоящее изобретение относится к мониторингу и обработки данных для распознавания и классификации аномалий в работе парка или группы установок с турбомашинами с использованием компьютерно-реализуемой модели риска, выполненной с возможностью оценивания времени для техобслуживания с использованием цифрового метода анализа на основе компьютера, выполненного с возможностью: идентификации отклонений от нормы сигнала/системы/характеристики установки, классификации данных отклонений от нормы и присвоения им градиента значимости.

[0002] В частности, способ и система для осуществления данного нового и полезного метода анализа позволяют получить новые способы управления, планирования и выполнения технического обслуживания сложных групп турбомашинных активов, таких как газовые турбины, компрессоры и т.п. Реализуемые на практике преимущества решения (-ий), предложенного (-ых) в настоящем документе, облегчают полную оптимизацию сценария технического обслуживания (объем работы и время) одного или более парков турбомашинного оборудования, мониторинг которых осуществляется в расчете на пользователя, и/или другие ограничения (время технического обслуживания и стоимость, доступность и надежность актива).

ПРЕДПОСЫЛКИ СОЗДАНИЯ ИЗОБРЕТЕНИЯ

[0003] Компьютерно-реализуемое планирование и выполнение технического обслуживания сложных групп турбомашинных активов, таких как газовые турбины, компрессоры и их вспомогательные системы, стало необходимым преимуществом для пользователей, владельцев и/или операторов таких активов, установленных на установке или иным образом.

[0004] Современные технологии позволяют распознавать состояние рабочей промышленной и/или аэродинамической газовой турбины почти в режиме реального времени путем проверки работы датчиков, установленных на установке. Для улучшения технического обслуживания турбомашинных активов желательно прогнозировать любой возможный отказ установки, чтобы повысить рентабельность системы обслуживания, и, в частности, снизить риск простоя установки, который потенциально мог бы привести также к перерывам при предоставлении коммунальных услуг с очень высокими затратами.

[0005] Доступно несколько известных систем обработки данных, которые соединены или выполнены с возможностью соединения с газовыми турбинами. Такие системы также способны соединяться с цифровыми операционными системами, которые управляют такой газовой турбиной и выполнены с возможностью соединения с системами управления установок, к которых расположены такие турбины, для приема или загрузки набора (-ов) эксплуатационных данных, которые используются для проверки состояния установки.

[0006] Центр обработки данных обычно обрабатывает загруженные данные и прогнозирует заранее на основании соответствующего анализа любые возможные мероприятия по техническому обслуживанию, чтобы предотвратить любой незапланированный простой установки. Обычный центр обработки данных содержит серверы и компьютеры, доступные на периферии или в облаке, выполненные с возможностью обработки загруженных эксплуатационных данных газовой турбины (турбин) и/или установки путем применения соответствующих основанных на компьютере способов и алгоритмов, некоторые из которых могут быть предоставлены производителем оригинального оборудования (OEM; Original Equipment Manufacturer), и/или на основе физических моделей и/или моделей оптимизации эксплуатационных характеристик средств.

[0007] Стандартный подход к моделированию сценария технического обслуживания заключается в планировании операций технического обслуживания с помощью подхода с фиксированным планированием времени.

[0008] Однако использование одного подхода для оценки времени для технического обслуживания (эмпирического, основанного на физических характеристиках или управляемого данными) не может в целом обеспечить достаточную точность для прогнозирования и планирования событий технического обслуживания.

[0009] Подходы и алгоритмы, на которых основаны способы оптимизации технического обслуживания, доступные в предшествующем уровне техники, вследствие снижения или отсутствия точности прогнозирования, отрицательно влияют на затраты на техническое обслуживание и надежность и доступность активов.

[0010] Соответственно, в данной технологии могут быть реально реализованы улучшенные способы технического обслуживания и соответствующая система обработки для получения точных прогнозов для технического обслуживания турбомашинного оборудования и соответствующих вспомогательных систем.

ИЗЛОЖЕНИЕ СУЩНОСТИ ИЗОБРЕТЕНИЯ

[0011] Наличие технических знаний, опыта в области событий, связанных с парком оборудования, и мониторинга данных позволяет предложить новый компьютерно-реализуемый способ для прогнозирования технического обслуживания, который может быть выполнен с использованием или путем объединения нескольких подходов:

- эмпирический подход на основе оценки вероятности режима отказа;

- физическое моделирование для оценки развития режима отказа; и/или

- строгий подход, основанный на данных, для распознавания аномалии

[0012] Считается, что только производители оригинального оборудования (OEM; Original Equipment Manufacturers) (являющиеся владельцами данных мониторинга и структуры активов) уникально позиционированы для объединения всех указанных выше подходов, обеспечивая повышенную точность при планировании события технического обслуживания для сложной группы турбомашинных активов (таких как парк газовых турбин и/или компрессоров), достаточно заблаговременно до любого риска эксплуатационного простоя. Для оптимизации сценария технического обслуживания точность оценки должна быть достаточной для обеспечения эффективного понимания конечным пользователем путем обеспечения ожидаемой надежности и доступности. Объединение трех подходов позволяет оптимизировать объем работ по техническому обслуживанию посредством определения приоритетности операций на основании данных об активах и данных обслуживания.

[0013] Таким образом, авторы изобретения предлагают новый и полезный компьютерно-реализуемый способ мониторинга и обработки данных для распознавания и классификации аномалий в работе и оптимизации управления, планирования и/или выполнения технического обслуживания сложных групп турбомашинных активов. Данный новый способ повышает точность прогнозов для технического обслуживания оборудования путем объединения физического моделирования на основе программного механизма, специфичного для OEM (собственность OEM), и ориентированного на парк подхода, основанного на данных, который является сложным для поставщиков услуг технического обслуживания, не являющихся OEM, поскольку они не имеют достаточно знаний по эксплуатации и техническому обслуживанию, а также доступ к эксплуатационным данным турбомашинного оборудования.

[0014] В одном аспекте объект изобретения, описанный в настоящем документе, относится к компьютерно-реализуемому способу мониторинга и обработки данных для распознавания и классификации аномалий в работе и оптимизации технического обслуживания сложной группы или парка установок и/или связанных с ними турбомашинных активов и их вспомогательных систем. Каждый из турбомашинных активов выполнен с возможностью генерирования одного или более параметров, полученных датчиками и/или вычисляемых системами мониторинга и управления. Способ включает в себя настройку модели, при которой создают и проверяют модель, и вычисление в неавтономном режиме, при котором данные, полученные от парка под мониторингом, обрабатывают и выводят в неавтономном режиме. Способ вычисления в неавтономном режиме включает в себя этапы считывания параметров конфигурации, определенных настройкой модели, и получение/прием управляющих сигналов, поступающих от датчиков, и/или от систем управления, и/или от службы мониторинга и диагностики турбомашинных активов в течение по меньшей мере одного временного интервала. Способ также включает в себя этап извлечения статистических и/или математических характеристик или параметров из управляющих сигналов для распознавания одной или более аномалий из характеристик или рабочих параметров сигналов на основании вычислений, установленных параметрами конфигурации. Классификация каждой аномалии позволяет дифференцировать аномалии системы, так что выполняют этап оценки риска для оценки риска любого события, которое приводит к непригодности к эксплуатации и эксплуатационным показателям ниже предела, оговоренного в договорном соглашении, и что требует выполнения операции технического обслуживания для восстановления работоспособности и ожидаемой производительности актива/системы. Этап присваивания значимости выполняют на аномалиях датчика для присваивания значимости аномалий, идентифицированных как неисправности датчика. Затем планы технического обслуживания назначают с помощью политик, определенных владельцем службы технического обслуживания и визуализируют на мониторе или в веб-сервисе, или отправляют пользователю и/или администраторам сайтов в виде файла или через систему предупреждения, такую как устройство звуковой или визуальной сигнализации.

[0015] В одном из аспектов, описанных в настоящем документе, осуществляется настройка модели в автономном режиме для конфигурирования всей системы и обучения этапов вычисления.

[0016] В другом аспекте, описанном в настоящем документе, осуществляется выполнение настройки модели риска путем определения исправных и аномальных характеристик актива, а также связанных с ними шаблона и значений сигналов, исходя из опыта OEM, данных парка за прошлые периоды и алгоритмов машинного обучения.

[0017] В другом аспекте, описанном в настоящем документе, применяется методика машинного обучения для распознавания аномалии, состоящих из контролируемой и/или неконтролируемой методик, применяемых для распознавания аномальных характеристик на основании эталонных исправных характеристик.

[0018] В другом аспекте в настоящем документе описано, что этап классифицирования аномалий осуществляют с помощью контролируемого подхода, состоящего из полиномиального классификатора, который присваивает класс аномалии на основе уже идентифицированных аномалий, полученных ранее данных мониторинга и опыта решения проблем, связанных с парком.

[0019] В дополнительном аспекте в настоящем документе описано, что пакеты сигналов, классифицированные как аномальные, обрабатываются моделью оценки риска путем объединения риск, полученного на основании оценки ухудшения характеристик и значимости аномалий датчиков.

Более конкретно, в настоящем изобретении предлагается компьютерно-реализуемый способ мониторинга и обработки данных для распознавания и классификации аномалий в работе парка или группы установок, содержащих один или более турбомашинных активов, каждый из которых содержит турбомашину, соответствующие вспомогательные системы и один или более установленных датчиков, каждый из которых выполнен с возможностью генерирования управляющих сигналов турбомашинных активов, служащих для распознавания аномалий системы, связанных с турбомашинными активами парка, и способ включает в себя следующие этапы: выполнение настройки модели для вычисления параметров конфигурации модели на основании данных парка за прошлые периоды; получение данных, состоящих из управляющих сигналов от датчиков турбомашинных активов в течение по меньшей мере одного временного интервала; считывание параметров конфигурации модели, определенных во время этапа настройки модели, для обработки управляющих сигналов датчиков турбомашинных активов; извлечение статистических/математических характеристик и/или параметров из управляющих сигналов от датчиков турбомашинных активов в по меньшей мере одном временном интервале; распознавание одной или более аномалий в статистических/математических характеристиках и/или параметрах, извлеченных на этапе извлечения на основе параметров конфигурации с помощью многовариантного подхода к проблеме; классифицирование каждой аномалии, распознанной на этапе распознавания, во множестве классов на основании данных за прошлые периоды и данных об активах; классифицирование аномалий на аномалии системы, связанные с турбомашинными активами парка, или на аномалии датчиков, при этом, если на этапе классифицирования идентифицируют одну или более аномалий системы, выполняют этап оценки риска для оценки риска любого события, которое требует выполнения операции технического обслуживания, и соответствующего времени выполнения технического обслуживания, в противном случае, если на этапе классифицирования распознают одну или более аномалий датчика, выполняют этап оценки значимости для присвоения значимости аномалиям, идентифицированным как неисправности датчика; и назначение и передачу планов технического обслуживания конечным пользователям, причем этап настройки модели включает в себя: прием входных сигналов от турбомашинных активов парка, подлежащих мониторингу и техническому обслуживанию; вычисление параметров, необходимых для описания исправного состояния активов; предварительную обработку сигналов, принимаемых от турбомашинных активов, и вычисленных параметров, при которой выполняют фильтрацию и декорреляцию сигнала для устранения корреляции между сигналами различных систем и получения нормированных сигналов относительно конкретных условий эксплуатации турбомашинного актива; идентификацию групп сходств между турбомашинными активами парка, выполняемую посредством методов кластеризации с использованием метрик расстояния или сходства для управляющих сигналов и параметров всех активов в парке; и выполнение этапа извлечения характеристик группы, включающего в себя следующие подэтапы: идентификация временных интервалов, в которых активы работают как предполагалось, и вычисление исправных характеристик в каждой идентифицированной группе сходств турбомашинных активов и извлечение исправных статистических/математических характеристик или параметров в течение по меньшей мере одного временного интервала, идентификация временных интервалов, в которых активы работают аномально, и вычисление аномальных характеристик в каждой идентифицированной группе сходств турбомашинных активов, извлечение аномальных статистических/математических характеристик или параметров в течение по меньшей мере одного временного интервала, причем в случае отсутствия достаточного количества и типов аномалий, идентифицируемых по трендам сигнала за прошлые периоды, аномалии эмулируют и вводят в пределах трендов сигнала, а этап извлечения аномальных характеристик выполняют из числа временных интервалов, в которых были введены аномалии; и этап обучения идентификации и классификации аномалий; причем параметры конфигурации состоят из исправных и аномальных характеристик, извлеченных во временных интервалах, в течение которых выполняется этап настройки модели, и параметров настройки моделей идентификации и классификации, обученных в течение этапа настройки модели. И в настоящем изобретении предлагается соответствующая система для мониторинга и обработки данных для распознавания и классификации аномалий в работе парка или группы установок, содержащих один или более турбомашинных активов, и при этом каждый из турбомашинных активов содержит один или более датчиков, каждый из которых выполнен с возможностью генерирования управляющих сигналов, служащих для распознавания аномалий системы, связанных с турбомашинными активами парка, содержащая: логический блок управления, содержащий по меньшей мере одну шину, по меньшей мере один процессор, соединенный с шиной, базу данных, соединенную с шиной так, чтобы обеспечивать доступ и управление процессором, причем параметры конфигурации модели сохраняются, машиночитаемую память, соединенную с шиной так, чтобы обеспечивать доступ и управление процессором, приемо-передающий модуль, соединенный с шиной, выполненный с возможностью приема и передачи данных через сеть Интернет для приема управляющих сигналов от турбомашинных активов и связанных с ними вычисленных параметров парка, и по меньшей мере одну систему мониторинга и/или предупреждения, причем по меньшей мере один процессор выполнен с возможностью: получения параметров конфигурации модели из базы данных для обработки управляющих сигналов датчиков турбомашинных активов; получения управляющих сигналов от датчиков турбомашинных активов в течение по меньшей мере одного временного интервала; извлечения математических/статистических характеристик или параметров из управляющих сигналов от датчиков турбомашинных активов в по меньшей мере одном временном интервале; распознавания одной или более аномалий на основании статистических характеристик и/или параметров датчиков турбомашинных активов, извлеченных на этапе извлечения на основе параметров конфигурации; классифицирования каждой аномалии, распознанной на этапе распознавания, по отношению к шаблону извлеченных математических/статистических характеристик; распределения каждой аномалии, классифицированной на этапе классифицирования, на аномалии системы, связанные с турбомашинными активами парка, или на аномалии датчиков, причем, если на этапе классифицирования распознают одну или более аномалий системы, выполняют этап оценки риска для оценки риска любого события, которое требует выполнения операции технического обслуживания, подлежащей выполнению на системе/активе под мониторингом, в противном случае, если на этапе классифицирования распознают одну или более аномалий датчика, выполняют этап присвоения значимости для присвоения значимости аномалиям, идентифицированным как неисправности датчика и, в случае, если значимость является высокой, выполняют этап оценки риска для оценки риска любого события, которое требует выполнения операции технического обслуживания, подлежащей выполнению на турбомашинном активе под мониторингом; прогнозирования аномальной характеристики сигнала и связанного с ней риска в будущем, чтобы оценить время для технического обслуживания, вычисленное как время, когда сигнал и/или риск достигнет заданных пороговых значений; определения действий по исправлению/техническому обслуживанию для выполнения при следующей оценочной дате технического обслуживания, чтобы восстановить исправное состояние для каждого актива при проведении объема технического обслуживания; и визуализации оценочного времени для технического обслуживания и связанных с ним планов технического обслуживания посредством системы мониторинга и/или предупреждения, причем для вычисления параметров конфигурации модели обеспечивается настройка модели на основании данных парка за прошлые периоды, включающая в себя: прием входных сигналов от турбомашинных активов парка, подлежащих мониторингу и техническому обслуживанию; вычисление параметров, необходимых для описания исправного состояния активов; предварительную обработку сигналов, принимаемых от турбомашинных активов, и вычисленных параметров, при которой выполняют фильтрацию и декорреляции сигнала для устранения корреляции между сигналами различных систем и получения нормированных сигналов относительно конкретных условий эксплуатации актива; идентификацию групп сходств между турбомашинными активами парка, выполняемая посредством методов кластеризации с использованием метрик расстояния или сходства для управляющих сигналов и параметров всех активов в парке; и выполнение этапа извлечения характеристик группы, включающего в себя следующие подэтапы: идентификация временных интервалов, в которых активы работают как предполагалось, и вычисление исправных характеристик в каждой идентифицированной группе сходств турбомашинных активов и извлечение исправных статистических/математических характеристик или параметров в течение по меньшей мере одного временного интервала, идентификация временных интервалов, в которых активы работают аномально, и вычисление аномальных характеристик в каждой идентифицированной группе сходств турбомашинных активов, извлечение аномальных статистических/математических характеристик или параметров в течение по меньшей мере одного временного интервала, причем в случае отсутствия достаточного количества и типов аномалий, идентифицируемых по трендам сигнала за прошлые периоды, аномалии эмулируют и вводят в пределах трендов сигнала, а этап извлечения аномальных характеристик выполняют из числа временных интервалов, в которых были введены аномалии; и этап обучения идентификации и классификации аномалий; причем параметры конфигурации состоят из исправных и аномальных характеристик, извлеченных во временных интервалах, в течение которых выполняется этап настройки модели, и параметров настройки моделей идентификации и классификации, обученных в течение этапа настройки модели.

КРАТКОЕ ОПИСАНИЕ ГРАФИЧЕСКИХ МАТЕРИАЛОВ

[0020] Описанные варианты осуществления изобретения и многие сопутствующие ему преимущества можно более полно оценить и понять в ходе изучения следующего подробного описания, рассматриваемого в связи с прилагаемыми чертежами, причем:

на Фиг. 1 представлена структурная схема системы, на которой показана система, выполненная с возможностью оптимизации технического обслуживания парка турбомашинного оборудования;

на Фиг. 2 представлена структурная схема центрального блока управления в соответствии с вариантом осуществления; и

на Фиг. 3 представлена блок-схема этапов компьютерно-реализуемого способа, которые обеспечивают улучшенную оптимизацию технического обслуживания одной или более единиц турбомашинного оборудования при настройке установки в соответствии с первым вариантом осуществления;

на Фиг. 4 представлен репрезентативный набор кривых декоррелированных сигналов от датчиков, установленных на турбомашинном оборудовании, показанном на Фиг. 1; и

на Фиг. 5 представлен репрезентативный набор кривых, представляющих обработанные сигналы от датчиков, установленных на турбомашинном оборудовании, показанном на Фиг. 1, которые выходят за пределы характеристики технологической операции.

ПОДРОБНОЕ ОПИСАНИЕ ВАРИАНТОВ ОСУЩЕСТВЛЕНИЯ

[0021] Компьютерно-реализуемый способ/система мониторинга и обработки данных для распознавания и классификации аномалий в работе парка или группы установок, содержащих один или более турбомашинных активов, включает в себя и использует машиночитаемую и исполняемую программу с моделью или алгоритмом, который оценивает время для технического обслуживания одного или более турбомашинных активов и/или связанного оборудования в промышленной среде предприятия (ведущее/ведомое оборудование и/или вспомогательные системы, как более подробно описано ниже). Эта модель является основой для оптимизированного плана технического обслуживания, направленного на сведение к минимуму простоя активов и увеличения до максимума производительности установки, а также планирование ожидаемых требований надежности/доступности конечных пользователей, владельцев установок и/или операторов установок.

[0022] Фундаментальный аспект нового и полезного компьютерно-реализуемого способа (называемого далее также как способ/алгоритм оптимизации технического обслуживания) заключается в обработке сигналов посредством функциональных/физических моделей, которые выполнены с возможностью оценки характеристики за прошлые периоды и текущей характеристики конкретного актива/установки и в объединении с ними анализа с использованием данных, выполненного с возможностью оценки отклонения по отношению к ожидаемому, стандартному, режиму работы контролируемого оборудования и для связывания таких моделей (и/или их выходных данных) со связанной системой и событиями отказа/ухудшения характеристик. Примеры такой системы и события отказа/ухудшения характеристик включают в себя: аварийную остановку и/или неудачный запуск актива, влияние на окружающую среду и безопасность, ухудшение производительности активов, потери производительности установки, повышенную стоимость эксплуатации актива, разрушение материала и отказ компонента.

[0023] Изобретение в настоящем документе также направлено на оптимизацию сценария технического обслуживания с помощью времени для анализа событий и моделирования оценки риска.

[0024] В одном аспекте настоящее объект изобретения относится к тому факту, что модель, на которой основан способ оптимизации технического обслуживания, позволяет распознавать аномалию по отношению к ожидаемой характеристике, присваивать категорию и степень значимости аномалии, чтобы прогнозировать тенденцию аномалии в будущем, а затем вычислять время для планирования и/или выполнения связанного технического обслуживания.

[0025] Распознавание аномалии может быть достигнуто с помощью алгоритмов машинного обучения, которые выполнены с возможностью определения того, является ли шаблон сигнала исправным или неисправным по отношению к эталонному шаблону. Эталонный шаблон настраивают благодаря анализу сходства парков и его можно оценить с помощью физической модели (например, моделирования термодинамических характеристик или свойств материала) и/или с помощью модели, основанной на данных (кластеризации данных парка или тенденций установки за прошлые периоды). Шаблоны вычисляют как числовые элементы, извлеченные по пакету данных (размер может быть адаптирован). Затем выполняют классификацию аномалий путем применения классификатора полиномиальной регрессии. Затем категории аномалий, которые были определены, разделяют на две макрогруппы: аномалии систем и датчиков. Затем данные группы обрабатывают с помощью модели риска, которая присваивает значимость и вероятность любому событию, с которым должна быть связана аномалия.

[0026] Со ссылкой на чертежи, на Фиг. 1 показана система технического обслуживания, полностью обозначенная ссылочным номером 1, содержащая парк или группу 2 турбомашинных активов, подлежащих техническому обслуживанию, и логический блок 3 управления, в котором выполняют способ оптимизации технического обслуживания для технического обслуживания турбомашинных активов парка 2. Логический блок 3 управления функционально соединен с парком 2 (или «сложной группой») турбомашинных активов, подлежащих техническому обслуживанию, посредством сети 4 Интернет. Предполагается, что система, а именно логический блок 3 управления, также может быть реализована в облачной вычислительной системе.

[0027] Парк 2 турбомашинных активов содержит, например, ряд газовых турбин. В частности, показаны три газовых турбины 21, 22 и 23. Очевидно, что парк 2 может содержать другое количество газовых турбин 21, 22 и 23.

[0028] Каждая газовая турбина 21, 22 или 23 содержит саму турбомашину для производства энергии, а также связанные с ней вспомогательные системы для ее работы, такие как насосы, приводные механизмы, трубопроводы и т.д., необходимые для работы каждой газовой турбины 21, 22 и 23 или турбомашинного актива в целом.

[0029] В некоторых вариантах осуществления каждая газовая турбина 21, 22 и 23 может быть оснащена модулем сбора сигналов соответственно обозначенным ссылочными номерами 211, 221 и 231, каждый из которых выполнен с возможностью приема сигналов распознавания, обычно электрических сигналов, от датчиков, установленных на газовой турбине 21, 22 и 23, и, в итоге, для обработки указанных сигналов, например, их фильтрации и усиления, перед дальнейшей обработкой любого сигнала.

[0030] Кроме того, каждая газовая турбина 21, 22 и 23, которая должна подвергаться техническому обслуживанию, содержит также приемо-передающий модуль 212, 222 и 232 для соединения и передачи сигналов через сеть 4 Интернет, чтобы передавать туда посредством собранного сигнала каждой газовой турбины 21, 22 и 23 парка 2. Передача сигналов от каждой газовой турбины 21, 22 и 23 парка 2 турбомашинных активов, подлежащих техническому обслуживанию, на логический блок 3 управления, может быть также реализована также посредством различных каналов, например, посредством радиопередачи, волоконно-оптической линии связи и т.п.

[0031] В некоторых вариантах осуществления, и, в частности, как показано на Фиг. 2, центральный блок 3 управления может содержать процессор 31, шину 32, с которой соединен процессор 31, базу 33 данных, соединенную с шиной 32 с возможностью доступа и управления посредством процессора 31, машиночитаемую память 34, также соединенную с шиной 32 с возможностью доступа и управления посредством процессора 31, приемо-передающий модуль 35, соединенный с шиной 32, выполненный с возможностью приема и передачи данных через сеть 4 Интернет от/к соответствующему приемо-передающему модулю 212, 222 и 232 газовых турбин 21, 22 и 23, подлежащих техническому обслуживанию.

[0032] В некоторых вариантах осуществления центральный блок 3 управления может быть реализован или осуществлен в виде облачной вычислительной системы, компьютерной сети или другого оборудования, выполненного с возможностью обработки данных путем выполнения соответствующих компьютерных программ на основе способа или алгоритма оптимизации технического обслуживания.

[0033] Логический блок 3 управления выполнен с возможностью выполнения одной или более компьютерных программ для осуществления способа оптимизации технического обслуживания парка 2, который будет более подробно описан ниже.

[0034] Способ/алгоритм оптимизации технического обслуживания, схематически проиллюстрированный на Фиг. 3, полностью указан ссылочным номером 5, и, как указано, реализован в виде компьютерной программы, выполняемой, как уже упоминалось, посредством компьютера или любого средства обработки в целом, возможно, встроенного в центральный блок 3 управления.

[0035] Способ 5 оптимизации технического обслуживания включает в себя два основных этапа или ответвления, а именно этап 6 настройки модели, который может также выполняться в автономном режиме, а также этап 7 управления в неавтономном режиме.

[0036] Этап 6 настройки модели, как указано, в целом выполняется в автономном режиме, а именно не в режиме реального времени или не во время нормальной работы газовых турбин 21, 22 и 23, на фазе настройки способа или после обновления установки и/или обновления конфигурации активов, аналогично основным операциям технического обслуживания или замене/обновлению активов. Повторное обучение модели может выполняться вручную специалистом или может быть инициировано автоматической логикой, которая проверяет, например, когда расстояние новых вычисленных исправных характеристик по отношению к исходным характеристикам превышает определенное пороговое значение. Этап 6 обучения в автономном режиме может также быть выполнен на данных парка за прошлые периоды, при этом сохраняя параметры CP конфигурации, которые будут использоваться на этапе 7 управления в неавтономном режиме, как более подробно описано ниже. В связи с этим результат этапа 6 настройки модели представляет собой набор параметров CP конфигурации, который должен использоваться для конфигурирования этапа 7 управления в неавтономном режиме, для оптимизации последнего для распознавания аномалий парка 2 турбомашинных активов и определения планов технического обслуживания.

[0037] Этап 6 настройки в автономном режиме может выполняться в любое время, когда модель не работает должным образом, так что, в качестве примера, модель на основе способа (более подробно описанного ниже) не обеспечивает более долгосрочных приемлемых результатов, так что требуется повторный выбор параметров модели.

[0038] Этап 7 управления в неавтономном режиме главным образом относится к обработке данных в неавтономном режиме, а именно, собранных во время работы газовых турбин 21, 22 и 23, поэтому он работает в то время как логический блок 3 управления непосредственно подключен к сети мониторинга активов и связи. Возможности по обработке программного обеспечения должны соответствовать пропускной способности передачи данных, чтобы не приводить к задержкам в инфраструктуре и обеспечивать результаты, доступные в данный момент времени, даже в режиме реального времени, чтобы гарантировать, что распознавание аномалии выполняется на ранней стадии, и достаточно заблаговременно предусмотрены планы технического обслуживания для планирования необходимых операций на местах.

[0039] Как вышеописанный этап 6 настройки модели в автономном режиме, так и этап 7 управления в неавтономном режиме, реализованные на подходящем языке программирования, могут быть выполнены на периферии или в удаленной/облачной инфраструктуре, в зависимости от варианта осуществления системы 1 технического обслуживания. Периферийная инфраструктура считается подходящей только в том случае, если кибербезопасность и требования к шифрованию считаются адекватными OEM программному обеспечению.

[0040] В одном варианте осуществления этап 6 настройки в автономном режиме включает в себя подэтап 61 входного сигнала, на котором принимают набор входных сигналов от газовых турбин 21, 22 и 23 парка 2, подлежащих мониторингу и техническому обслуживанию. В частности, сигналы получают от датчиков, установленных на активы для проверки работы активов и, в итоге, для обработки посредством системы управления или другой платы сбора данных, такой как модуль сбора сигналов, соответственно, указанный для каждой газовой турбины 21, 22 и 23 со ссылочными номерами 211, 221 и 231, как описано выше. Кроме того, входной набор данных включает в себя все параметры, которые могут быть оценены из полученных сигналов посредством анализа с использованием данных и/или физических моделей, такие как эксплуатационные показатели, потребление, выбросы, разрушение материалов, частота критических нагрузок компонентов и т.д. Как упоминалось, этапы обработки могут быть выполнены на периферии или на облачной инфраструктуре. Частота дискретизации каждого сигнала может отличаться.

[0041] Кроме того, этап 6 настройки модели в автономном режиме включает в себя подэтап 62 предварительной обработки сигналов, в котором выполняют фильтрацию и/или обработку декорреляции сигнала для определения окна условий эксплуатации актива, где каждый сигнал подлежит обработке и/или мониторингу. Например, существуют сигналы, которые могут наблюдаться в определенном диапазоне частот или диапазоне мощности, или в условиях отсутствия работы двигателя.

[0042] Кроме того, подэтап 62 предварительной обработки устраняет корреляцию между сигналами различных систем для определения ожидаемой характеристики сигналов независимо от конкретных рабочих условий или условий окружающей среды. Данные сигналы будут обработаны путем оценки разности между их измеренными значениями и их декоррелированным ожидаемым значением. Примером данных разностей является расстояние между оцененным разрушением материала и старением компонентов актива по отношению к расчетным исходным показателям, полученным с помощью моделей OEM и анализа.

[0043] После подэтапа 62 предварительной обработки этап 6 настройки модели в автономном режиме включает в себя анализ сходства парков или подэтап 63 для идентификации группы сходств в парке активов или группе 2. Например, газовые турбины 21, 22 и 23 в той же технологической линии обычно очень похожи с точки зрения конфигурации активов и рабочих параметров. Анализ сходства выполняют с помощью методов кластеризации с использованием метрик расстояния или сходства.

[0044] После предыдущего этапа выполняют этап вычисления или этап 64 извлечения характеристик парка или группы из исправных характеристик в сходстве парков 2, идентифицированных перед выполнением. Извлеченные характеристики представляют собой статистические/математические параметры. Список используемых характеристик зависит от типа сигнала. Примеры извлеченных характеристик представляют собой медиану, среднее значение, стандартное отклонение, процентили, производные величины, эксцесс, асимметрию, проекции сигналов на основные компоненты и компоненты вейвлет-разложения, полученные на основании анализа спектра. Обучение алгоритма распознавания и классификации аномалии может выполняться с помощью контрольных и/или неконтролируемых подходов. В варианте осуществления описан пример использования смешанного контролируемого-неконтролируемого подхода. На данном этапе извлеченные характеристики обрабатываются с помощью алгоритма кластеризации (например, k-средних или алгоритма максимизации ожидания, как более подробно описано ниже), и полученные кластеры классифицируются в разных классах (например, исправное, ступенчатое изменение, шум, асимметричный шум, пики, дрейф и анормальный диапазон/значение) специалистами OEM и/или посредством автоматических алгоритмов на основе данных за прошлые периоды и данных парка. В случае если аномалий, идентифицированных специалистами, недостаточно для выполнения настройки модели, аномалии моделируют и вводят в набор данных и выполняют повторное извлечение характеристик.

[0045] В некоторых вариантах осуществления алгоритм классификации может быть основан на контролируемом или неконтролируемом подходе или смешанном подходе.

[0046] В частности, этап 64 извлечения характеристик группы содержит подэтапы идентификации временных интервалов, в которых активы работают как ожидается, и вычисления исправных характеристик в каждой идентифицированной группе сходства газовых турбин 21, 22 и 23. Затем извлекают исправные статистические/математические характеристики или параметры в пределах по меньшей мере одного временного интервала, путем идентификации временных интервалов, в течение которых активы работают аномально, и вычисления аномальных характеристик в каждой идентифицированной группе сходства газовых турбин 21, 22 и 23, извлечения аномальных статистических/математических характеристик или параметров в течение по меньшей мере одного временного интервала. В случае отсутствия достаточного количества и типов аномалий по трендам сигнала за прошлые периоды аномалии эмулируют и вводят в пределах трендов сигнала, а этап 64 извлечения аномальных характеристик выполняют по временным интервалам, в которых были введены аномалии.

[0047] Затем кластер характеристик, представляющих исправные состояния, используют для обучения (см. этап 65), алгоритма восстановления характеристик, такого как алгоритм автоассоциативной ядерной регрессии (AAKR; Auto-Associative Kernel Regression), выполненный с возможностью оценки ожидаемых характеристик наблюдаемого сигнала с помощью средневзвешенного значения характеристик за прошлые периоды, извлеченных на основе наблюдений исправного сигнала. Затем распознавание аномалии выполняют путем идентификации в качестве аномальных характеристик сигналов, имеющих остатки выше порогового значения расстояния. Затем классификатор обучают для классификации аномалий, идентифицированных по отношению к классам, выбранным ранее и идентифицированным специалистами. Затем выполняют статистическую дискретизацию на исправных и аномальных характеристиках, вычисленных в течение временных интервалов, содержащихся в течение всего периода обучения и подтверждения, для уменьшения размера наборов данных характеристик, сохраняющих такое же статистическое распределение исправных и аномальных характеристик во всех сигналах.

[0048] Как видно, распознавание аномалии выполняется динамически. Порог распознавания зависит от конкретного состояния двигателя, поскольку он использует алгоритм восстановления сигнала.

[0049] Параметры CP конфигурации представляют собой выходные данные этапа 6 настройки модели в автономном режиме, которые предназначены для конфигурирования этапа распознавания аномалии в неавтономном режиме этапа 7 вычисления в неавтономном режиме, как более подробно описано ниже. Данные параметры представляют собой, например, исправные и аномальные характеристики, компоновку группы аналогичных активов, кривые декорреляции сигнала, пороговые значения для анализа риска, параметры моделей распознавания и классификации аномалий, статистические параметры парка. В более общем случае параметры CP конфигурации состоят из исправных и аномальных характеристик, извлеченных во временных интервалах, в течение которых выполняется этап 6 настройки модели, и параметров настройки моделей идентификации и классификации, обученных в течение этапа 6 настройки модели.

[0050] Этап 7 вычисления в неавтономном режиме содержит подэтап 71 входного сигнала для определения набора входных сигналов, подлежащих рассмотрению, и, в частности, вычисления одного или более дополнительных параметров для оценки состояния исправности турбомашинных активов 21, 22 и 23, выбранных из: эксплуатационных показателей, выбросов, разрушения компонентов. Данный этап способа является аналогичным или может быть таким же, как подэтап 61 входного сигнала этапа 6 обучения в автономном режиме. Сигналы на обоих этапах получают от датчиков, установленных на активы парка 2, а именно в газовых турбинах 21, 22 и 23 и, возможно, обрабатываются посредством системы управления или другой платы сбора данных, таких как модули сбора сигналов, соответственно обозначенные ссылочными номерами 211, 221 и 231, описанными выше. Кроме того, входной набор данных включает в себя все параметры, которые могут быть оценены из полученных сигналов, такие как эксплуатационные показатели, потребление, выбросы, разрушение материалов, частота критических нагрузок компонентов и т.д. Этапы обработки могут быть выполнены на периферии или на облачной инфраструктуре. Кроме того, в этом случае частота дискретизации каждого сигнала может быть различной.

[0051] Аналогично этапу 6 обучения в автономном режиме этап 7 управления в неавтономном режиме включает в себя подэтап 72 предварительной обработки сигналов для определения окна рабочих условий актива, при которых каждый сигнал должен обрабатываться и/или контролироваться. Например, существуют сигналы, которые могут наблюдаться в определенном диапазоне частот или диапазоне мощности, или в условиях отсутствия работы двигателя. Кроме того, данный подэтап устраняет корреляцию между сигналами различных систем для определения ожидаемой характеристики сигналов независимо от конкретных рабочих условий или условий окружающей среды. Данные сигналы будут обработаны путем оценки разности между их измеренными значениями с их декоррелированным ожидаемым значением.

[0052] В некоторых вариантах осуществления подэтапы 61 и 62 этапа 6 настройки модели в автономном режиме и подэтапы 71 и 72 этапа 7 управления в неавтономном режиме могут быть одинаковыми и не отличающимися друг от друга соответственно.

[0053] Параметры конфигурации (подтверждение распознавания аномалии) определяют путем сравнения между исправными и неисправными состояниями, идентифицированными в данных парка за прошлые периоды. Параметры CP конфигурации извлекают по временным рядам, поэтому подтверждение выполняют посредством сравнения между числовыми характеристиками, извлеченными по временным рядам.

[0054] В качестве примера на Фиг. 4 представлен набор кривых 80, каждая из которых представляет рабочий сигнал, принятый от одного из датчиков одной из газовых турбин 21, 22 и 23, надлежащим образом декоррелированный и, следовательно, являющийся выходным сигналом подэтапа 72 предварительной обработки, описанного выше. В частности, на Фиг. 4 показаны шесть нанесенных на график кривых, соответственно обозначенных ссылочными номерами 81, 82, 83, 84, 85 и 86.

[0055] Только благодаря визуальному обследованию на Фиг. 4, очевидно, что все кривые 84, 85 и 86 осциллируют вокруг горизонтальной оси X, а именно абсциссы, но незначительно отходят от нее. Кривая 83 показывает, что в первой части она отходит от оси X, таким образом демонстрируя аномальную характеристику по сравнению с другими кривыми 84, 85 и 86; затем, по истечении времени, сигнал в соответствии с данной кривой 83 снова осциллирует вокруг оси X. Это может означать, что контролируемый датчик имел переходную фазу в начале работы, после чего он работает правильно. В итоге, кривые 81 и 82 значительно отходят от оси X в течение времени, что указывает на то, что соответствующие им датчики представляют характеристики, имеющее аномальную работу по отношению к датчикам, работа которых представлена кривыми 84, 85 и 86.

[0056] После подэтапа 72 предварительной обработки сигналов, принятых от парка 2, предусмотрено извлечение 73 статистических характеристик, которое извлекает характеристики, необходимые для запуска этапов распознавания и классификации аномалий, которые будут более подробно описаны ниже.

[0057] Извлеченные характеристики представляют собой статистические/математические параметры. Список используемых характеристик зависит от типа анализируемого сигнала. Примеры характеристик, извлеченных посредством этапа 73 извлечения статистических/математических характеристик представляют собой медиану, среднее значение, стандартное отклонение, процентили, производные величины, эксцесс, асимметрию, проекции на основные компоненты и компоненты вейвлет-разложения и их комбинации. Статистические данные извлекают в одном или более определенных временных интервалах, например, неделя, месяц и т.д., и с частотой дискретизации, полученной от систем/датчиков сбора данных или определенной специалистами OEM.

[0058] Затем выполняют подэтап 74 распознавания аномалии, который идентифицирует, имеет или не имеет аномалию сигнал или группа сигналов, принятых от газовых турбин 21, 22 и 23 парка 2. В некоторых вариантах осуществления эта методика может быть выполнена с помощью алгоритмов машинного обучения, реализующих контролируемую и/или неконтролируемую методику. Целью распознавания аномалии является идентификация того, какие сигналы имеют аномальные характеристики по отношению к шаблону эталонных исправных характеристик. Данное распознавание может быть выполнено с использованием алгоритмов восстановления сигнала аналогичных алгоритму автоассоциативной ядерной регрессии (AAKR; Auto-Associative Kernel Regression), используемому в данном случае для восстановления ожидаемых признаков сигнала по отношению к шаблону исправных характеристик, доступному в качестве параметров конфигурации. Сравнение восстановленных характеристик и измеренных характеристик выполняют с использованием метрики расстояния или метрики сходства (правдоподобия) и сравнения их с пороговым значением, как более подробно описано ниже.

[0059] Как можно видеть, этап 7 вычисления в неавтономном режиме выполняет распознавание и классификацию аномалий. Кроме того, он добавляет оценку значимости аномалии путем различения неисправностей системы и датчиков на основании многовариантного анализа различных аномалий сигналов. Системные аномалии обычно имеют сигнатуру, отличную от аномалий датчиков, и могут включать в себя более одного сигнала. Алгоритм выполнен с возможностью распознавания нескольких классов аномалий как для характеристик системы, так и для характеристик датчика.

[0060] Для вычисления выходных данных с помощью упомянутых выше алгоритмов подэтап 74 распознавания аномалии использует параметры CP конфигурации модели, генерируемые и принимаемые на подэтапе 64 извлечения характеристик парка и подэтапе 65 обучения распознавания и классификации аномалии этапа 6 обучения в автономном режиме.

[0061] После распознавания аномалий между сигналами, как описано выше, существует подэтап 75 классификации аномалий. Данный подэтап 75 идентифицирует, имеет ли сигнал или группа сигналов, поступающих от датчиков, аномалию или нет. Эту методику можно выполнять с помощью контролируемого подхода, настроенного с помощью неконтролируемого подхода.

[0062] Алгоритмы распознавания и классификации применимы ко всем сигналам, а не к одному сигналу. Сигналы, полученные в неавтономном режиме от динамической системы, представляют собой определенные временные ряды. Алгоритм обрабатывает все временные ряды, полученные от активов во всех рабочих условиях, таких как стационарное состояние, переходные и состояния отсутствия работы двигателя.

[0063] Кроме того, вся подсистема актива контролируется путем распознавания и классификации аномалии. Кроме того, выполняется оценка риска для понимания того, какое время соответствует выполнению технического обслуживания на основе прогнозирования характеристик сигналов в будущем.

[0064] Контролируемый подход может быть выполнен путем установления эталонного шаблона характеристик классов аномалий, которые необходимо распознать. Классы аномалий могут быть выбраны из данных за прошлые периоды или смоделированных данных на основании наблюдений экспертов. Затем выполняют идентификацию аномалии с помощью алгоритмов, таких как полиномиальная логистическая регрессия, K-NN или байесовские сети, с использованием, соответственно, метрики расстояния или метрики сходства (правдоподобия) и, также в этом случае, сравнения их с пороговым значением. Среди метрик расстояния можно упомянуть метрики Евклида и Вассерштейна. Кроме того, реализация алгоритма осуществляется на основе анализируемого и обрабатываемого сигнала.

[0065] Обычно расстояние метрики Васерштейна является наиболее реккурентным, поскольку его в основном используют для временных рядов; при этом для вычисленных параметров производительности расстояние метрики Евклида, как правило, является предпочтительным. Что касается метрики сходства, его обычно применяют для идентификации группы сходства между объектами 21, 22 и 23 турбомашинных активов для каждого сигнала.

[0066] Алгоритм полиномиальной логистической регрессии является наиболее используемым в современных моделях, поскольку она в большей мере соответствует требованиям к текущей производительности и точности, по сравнению с другими доступными алгоритмами.

[0067] Идентифицированные классы представляют собой разные типы аномалий. В данном случае в качестве примера перечислен набор классов, которые могут быть идентифицированы: замораживание сигнала, дрейфа сигнала, ступенчатое изменение, симметричный шум, асимметричный шум, пики и аномальный диапазон.

[0068] Неконтролируемый подход может быть выполнен для периодической проверки точности классификатора для установления того, являются ли классы аномалий стабильными и/или следует ли добавить новый тип аномалии в список класса. Кластеризацию выполняют на характеристиках, извлеченных в течение последних временных интервалов (количество временных интервалов может быть любым). Если кластеры центрированы относительно аномальных/исправных кластеров, назначенных во время этапа настройки модели, модель является стабильной и не требуется обновление; в противном случае будет выполнена новая настройка модели. Существует несколько алгоритмов кластеризации, которые можно использовать. В частности, в некоторых вариантах осуществления используют алгоритм кластеризации максимизации ожидания, который обычно применяют, поскольку он лучше адаптируется к статистическому распределению принятых сигналов и подлежит обработке, тем самым оптимизируя точность модели, тем самым уменьшая суммарные ошибки. В других вариантах осуществления алгоритм кластеризации k-средних может применяться для сигнала с аналогичным и симметричным статистическим распределением.

[0069] Идентифицированные классы аномалий затем будут ассоциированы с активом, к которому они относятся; в частности, классификация приведет к присвоению аномалии неисправности датчика или неисправности системы/актива. Назначение будет выполняться с помощью схемы логического потока, определенной специалистами OEM. Например, для определенного сигнала аномалия, классифицированная как замораживание сигнала или шум, будет присваиваться неисправности датчика; в то время как аномалия, классифицированная как дрейф, будет присвоена неисправности системы. Затем данные два макрокласса аномалий будут обрабатываться по-разному на блок-схеме, показанной на Фиг. 3.

[0070] Другими словами, в варианте осуществления подэтап 75 классификации аномалий может иметь два разных результата в случае аномалий системы (дрейф или аномальный диапазон/значение) или аномалий датчиков, таких как замораживание, шум и т.д. В описанном варианте осуществления для каждого из двух возможных результатов выполняется другая процедура обработки. Таким образом, способ 5 оптимизации технического обслуживания позволяет дифференцировать отказы или аномалии, для соответственно дифференцированных планов и операций технического обслуживания, подлежащих выполнению.

[0071] В частности, в случае классификации 75 аномалии распознают аномалию системы, выполняют этап 761 оценки риска. Данный этап оценки риска 761 оценивает риск любого события, который требует выполнения операции технического обслуживания при остановке установки (а именно, турбомашины 21 или 22, или 23 проиллюстрированного варианта осуществления). Существует несколько категории событий, связанных с газовыми турбинами 21, 22 и 23: автоматическое выключение, остановка двигателя, снижение производительности, незапланированное техническое обслуживание и замена двигателя/компонента. Риск каждого события оценивают с точки зрения вероятности и влияния.

[0072] Данный этап 761 оценки риска объединяет риски неисправности системы, ухудшения характеристик активов и старение деталей/материалов. Оценка риска проводится путем оценки данных явлений с точки зрения их влияния на события недоступности активов, перечисленных ранее. Весовые коэффициенты и комбинаторные критерии, используемые для выполнения оценки риска, основаны на наблюдениях OEM и проектных моделей. Модели риска могут быть физическими, основанными на данных или смешанного типа, а их разработка, подтверждение и обновление основаны на данных тестирования, данных мониторинга в неавтономном режиме и результатах/измерениях обследований.

[0073] Входные сигналы этапа 761, программного блока или модуля представляют собой сигналы, идентифицированные как подвергнутые влиянию аномалий системы, все другие сигналы, необходимые для запуска оценки риска, и сигналы, подвергнутые влиянию аномалий датчиков, влияющие на объем/дату технического обслуживания.

[0074] Со ссылкой на Фиг. 5 и на Фиг. 4 представлен пример результата подэтапа 761 оценки риска после обработки сигналов, принятых от газовых турбин 21, 22 и 23. В частности, можно увидеть, что в сигналах 84, 85 и 86 не было распознано аномалий, и при этом не возникало проблем с техническим обслуживанием от датчика, который генерирует эти сигналы. Вместо этого подэтап 761 оценки риска генерирует кривые 81', 82' и 83' , соответствующие кривым 81, 82 и 83, которые, как упомянуто выше, отклоняются от характеристик других кривых, и, в частности, для данного варианта осуществления изобретения отходят от оси X. Кривые 81', 82' и 83' усиливают различные характеристики тех же кривых, по сравнению с другими кривыми.

[0075] Таким образом, следует подчеркнуть аномальную характеристику кривой 83' в первой части временного интервала распознавания. Аналогичным образом, аномальные характеристики кривых 84' и 85' могут быть оценены в конечной части временного интервала распознавания.

[0076] Затем после этапа 761 оценки риска выполняют подэтап 762 прогноза модели и дата технического обслуживания, который оценивает время для технического обслуживания на основе анализа прогноза на каждой модели и их комбинации. Прогноз может быть осуществлен с помощью алгоритмов прогнозирования временных рядов или вероятностного прогноза на основе параметров старения. Дата технического обслуживания оценивается путем вычисления, когда ожидается достижение определенного предельного значения.

[0077] В итоге, выполняют подэтап 78 планирования технического обслуживания, посредством чего определяют действия, подлежащие выполнению при остановке установки и/или в режиме работы установки, и показанные на мониторе (не показан на фигурах) или предоставляются пользователю в целом посредством любого другого подходящего устройства для внесения в список соответствующей операции технического обслуживания.

[0078] В частности, этап 78 планирования технического обслуживания определяет выполнение действий по техническому обслуживанию и/или уменьшению риска, дифференцированные на те, которые могут быть выполнены во время работы установки, и те, которые должны выполняться при следующей остановке.

[0079] Список действий технического обслуживания, подлежащих выполнению, основан на распознанных аномалиях и оценке риска, а планы технического обслуживания имеют приоритет по отношению к упорядочиванию/вкладу в оценку риска связанной с ними аномалии системы/актива.

[0080] В некоторых вариантах осуществления сопоставление между явлением аномалии/старения/ухудшения характеристик и соответствующим действием поддерживающим действием технического обслуживания является основой для наблюдений OEM и политик технического обслуживания.

[0081] В случае, если на этапе классификации 75 аномалии обнаруживают (или по меньшей мере одну) неисправность датчика, выполняют этап 771 присваивания значимости, в котором присваивают значимость аномалиям, идентифицированным как неисправности датчиков. Присвоение 771 оценки значимости присваивает оценку значимости аномалиям, классифицируемым как неисправность датчика, на основании типа аномалии и продолжительности времени, а также резервирования датчика. Пример аномалий может представлять собой, например, замораживание, сигнала, шуму и пикам приоритет будет присвоен иным образом: замораживание считается более значимым, чем шум, поскольку оно приводит к отсутствию мониторинга элемента. Кроме того, для оценки значимости будут учитываться частота и продолжительность времени аномалии. Значимость может представлять собой процентное значение или диапазон целочисленных значений (0-10) или любую другую систему ранжирования, выполненную с возможностью присвоения приоритета значимости событий.

[0082] В итоге проверяют, влияет ли результат этапа 771 присвоения значимости на объем или дату технического обслуживания (см. подэтап 772). В частности, на данном этапе отображается, может ли корректировка или действие для уменьшения риска выполняться в неавтономном режиме или требуется остановка двигателя. Функция отображения, в зависимости от типа аномалии, типа сигнала и значимости, поступает на основании наблюдений OEM и политик технического обслуживания.

[0083] Если указанный результат этапа 771 присвоения значимости влияет на объем или дату технического обслуживания, выполняют этап 761 оценки риска, уже описанный выше. В противном случае, если отсутствует какое-либо влияние, выполняют этап 68 планирования технического обслуживания, также описанный выше.

[0084] Способ/алгоритм 5 оптимизации технического обслуживания выполнен с возможностью обработки всех сигналов мониторинга турбины всего парка. Затем способ/алгоритм 5 оптимизации технического обслуживания начинается с обработки входных временных рядов.

[0085] Кроме того, способ/алгоритм 5 оптимизации технического обслуживания представляет собой решение для прогнозного технического обслуживания. Планирование технического обслуживания является динамическим, поскольку оно основано на эволюции сигналов с течением времени.

[0086] Преимущество способа 5 оптимизации технического обслуживания заключается в том, что данный подход объединяет знания OEM об услугах технического обслуживания и возможности провайдера цифровых услуг. Технически это осуществляется путем объединения знаний о функциях/физике моделирования режима отказа и анализа с использованием данных, разработанных на основе данных мониторинга и наблюдений обследований.

[0087] Коммерческое преимущество заключается в том, что объединение физических моделей OEM с анализом с использованием данных позволяет оптимизировать сценарий технического обслуживания в отношении требований заказчика: максимально повысить надежность/доступность, снизить до минимума продолжительность планово-предупредительного ремонта, оптимизировать объем планово-предупредительных работ и максимально увеличить время цикла технического обслуживания, при этом снизить до минимума риска критического отказа. Такая гибкость является преимуществом, которое заключается в том, что OEM активов может быть владелец технологической конструкции, данных мониторинга в неавтономном режиме и данных об отказах за прошлые периоды и результатов обследований.

[0088] Различные компоновки и этапы, показанные на Фиг. 3, могут по-разному объединяться друг с другом. В частности, некоторые общие этапы этапа 6 настройки модели в автономном режиме и этапа 7 вычисления в неавтономном режиме могут выполняться одним и тем же программным блоком или модулем.

[0089] Хотя аспекты данного изобретения описаны с точки зрения различных конкретных вариантов осуществления, специалистам в данной области будет очевидно, что возможны многие модификации, изменения и исключения без отступления от сущности и объема формулы изобретения. Кроме того, если не указано иное, порядок или последовательность любых этапов процесса или способа можно варьировать или переупорядочивать в соответствии с альтернативными вариантами осуществления.

[0090] Ниже будет дана подробная ссылка на варианты осуществления настоящего изобретения, причем один или более примеров проиллюстрированы на чертежах. Каждый из примеров приводится для пояснения описания, а не ограничения настоящего описания. В сущности, специалистам в данной области должно быть очевидно, что в рамках настоящего описания можно создавать различные модификации и вариации без отступления от объема или сущности описания. Ссылка в данном описании на «один вариант осуществления», или «вариант осуществления», или «некоторые варианты осуществления» означает, что конкретный признак, структура или характеристика, описанные в связи с вариантом осуществления, включены в по меньшей мере один вариант осуществления описанного объекта изобретения. Таким образом, появление фразы «в одном варианте осуществления», «в варианте осуществления» или «в некоторых вариантах осуществления» в различных местах во всем данном описании не обязательно относится к одному (-им) и тому (тем) же варианту (-ам) осуществления изобретения. Конкретные признаки, структуры или характеристики можно дополнительно комбинировать любым приемлемым способом в одном или более вариантах осуществления.

[0091] При представлении элементов различных вариантов осуществления формы единственного числа и слово «указанный» обозначают существование одного или более элементов. Термины «содержащий», «включающий» и «имеющий» предназначены для указания включения и означают, что помимо перечисленных элементов могут существовать дополнительные элементы.

Использование: для распознавания и классификации аномалий в работе парка или группы установок. Сущность изобретения заключается в том, что выполняют этап обучения и настройки модели, предназначенный для настройки параметров конфигурации, который может быть выполнен в автономном режиме, и этап вычисления в неавтономном режиме новых входных данных, который основан на распознанных данных и извлеченных статистических характеристиках. Для оценки риска того, что аномалия может вызвать какое-либо событие, которое требует выполнения операции технического обслуживания на одном или более активов парка, следует выполнить идентификацию и классификацию аномалий, таким образом вычисляя оценку риска. Технический результат: обеспечение возможности получения точных прогнозов для технического обслуживания оборудования. 2 н. и 16 з.п. ф-лы, 5 ил.

1. Компьютерно-реализуемый способ мониторинга и обработки данных для распознавания и классификации аномалий в работе парка или группы установок, содержащих один или более турбомашинных активов, каждый из которых содержит турбомашину, соответствующие вспомогательные системы и один или более установленных датчиков, каждый из которых выполнен с возможностью генерирования управляющих сигналов турбомашинных активов, служащих для распознавания аномалий системы, связанных с турбомашинными активами парка, и способ включает в себя следующие этапы:

выполнение настройки модели для вычисления параметров конфигурации модели на основании данных парка за прошлые периоды;

получение данных, состоящих из управляющих сигналов от датчиков турбомашинных активов в течение по меньшей мере одного временного интервала;

считывание параметров конфигурации модели, определенных во время этапа настройки модели, для обработки управляющих сигналов датчиков турбомашинных активов;

извлечение статистических/математических характеристик и/или параметров из управляющих сигналов от датчиков турбомашинных активов в по меньшей мере одном временном интервале;

распознавание одной или более аномалий в статистических/математических характеристиках и/или параметрах, извлеченных на этапе извлечения на основе параметров конфигурации с помощью многовариантного подхода к проблеме;

классифицирование каждой аномалии, распознанной на этапе распознавания, во множестве классов на основании данных за прошлые периоды и данных об активах;

классифицирование аномалий на аномалии системы, связанные с турбомашинными активами парка, или на аномалии датчиков,

при этом,

если на этапе классифицирования идентифицируют одну или более аномалий системы, выполняют этап оценки риска для оценки риска любого события, которое требует выполнения операции технического обслуживания, и соответствующего времени выполнения технического обслуживания,

в противном случае, если на этапе классифицирования распознают одну или более аномалий датчика, выполняют этап оценки значимости для присвоения значимости аномалиям, идентифицированным как неисправности датчика; и

назначение и передачу планов технического обслуживания конечным пользователям,

причем этап настройки модели включает в себя:

прием входных сигналов от турбомашинных активов парка, подлежащих мониторингу и техническому обслуживанию;

вычисление параметров, необходимых для описания исправного состояния активов;

предварительную обработку сигналов, принимаемых от турбомашинных активов, и вычисленных параметров, при которой выполняют фильтрацию и декорреляцию сигнала для устранения корреляции между сигналами различных систем и получения нормированных сигналов относительно конкретных условий эксплуатации турбомашинного актива;

идентификацию групп сходств между турбомашинными активами парка, выполняемую посредством методов кластеризации с использованием метрик расстояния или сходства для управляющих сигналов и параметров всех активов в парке; и

выполнение этапа извлечения характеристик группы, включающего в себя следующие подэтапы:

идентификация временных интервалов, в которых активы работают как предполагалось, вычисление исправных характеристик в каждой идентифицированной группе сходств турбомашинных активов и извлечение исправных статистических/математических характеристик или параметров в течение по меньшей мере одного временного интервала,

идентификация временных интервалов, в которых активы работают аномально, вычисление аномальных характеристик в каждой идентифицированной группе сходств турбомашинных активов и извлечение аномальных статистических/математических характеристик или параметров в течение по меньшей мере одного временного интервала, причем в случае отсутствия достаточного количества и типов аномалий, идентифицируемых по трендам сигнала за прошлые периоды, аномалии эмулируют и вводят в пределах трендов сигнала, а этап извлечения аномальных характеристик выполняют из числа временных интервалов, в которых были введены аномалии; и

этап обучения идентификации и классификации аномалий;

причем параметры конфигурации состоят из исправных и аномальных характеристик, извлеченных во временных интервалах, в течение которых выполняется этап настройки модели, и параметров настройки моделей идентификации и классификации, обученных в течение этапа настройки модели.

2. Способ по п. 1, в котором этап распознавания аномалии выполняют с помощью методов машинного обучения с контролируемым и/или неконтролируемым подходом, причем при контролируемом подходе распознавание аномалии выполняют путем сравнения характеристик, извлеченных из полученных/вычисленных параметров, с исправными характеристиками опорного сигнала.

3. Способ по п. 1, в котором сравнение характеристик, извлеченных из полученных/вычисленных параметров с исправленными характеристиками опорных сигналов, осуществляют с использованием алгоритмов восстановления сигнала.

4. Способ по п. 3, в котором алгоритм восстановления сигнала выполняют с помощью алгоритма автоассоциативной ядерной регрессии (AAKR; Auto-Associative Kernel Regression), причем аномалию идентифицируют, когда расстояние между восстановленными характеристиками и исправными характеристиками превышает соответствующий порог, который представляет собой один из параметров конфигурации модели, причем метрики, используемые для сравнения характеристик, представляют собой Евклидово расстояние, или расстояние Вассерштейна, или метрику правдоподобия.

5. Способ по п. 1, в котором этап классифицирования аномалий выполняют посредством классификатора, создавая классы аномалий, распознанных на этапе распознавания,

причем классы аномалий выбирают из данных за прошлые периоды или посредством экспертных данных.

6. Способ по п. 5,

в котором аномалии классифицируют на этапе классифицирования аномалий в разных классах, выбранных из следующего: замораживание сигнала, ступенчатое изменение, симметричный шум, асимметричный шум, пики, анормальный или аномальный диапазон, дрейф и т.д.; и

причем идентифицированные классы аномалий затем связывают с турбомашинными активами парка, к которому они относятся, так что классификация позволяет присвоить аномалию неисправности датчика или неисправности/ухудшению характеристик системы, связанным с турбомашинными активами парка.

7. Способ по п. 1, в котором указанный этап получения данных включает в себя следующие этапы:

прием входных сигналов от турбомашинных активов парка, подлежащих мониторингу и техническому обслуживанию, вычисление одного или более дополнительных параметров для оценки исправного состояния турбомашинных активов, выбранных из: эксплуатационные показатели, выбросы, ухудшение характеристик компонентов; и

предварительная обработка сигналов, принимаемых от турбомашинных активов, и других вычисленных дополнительных параметров для оценки исправного состояния турбомашинного актива, при которой выполняют фильтрацию и/или обработку декорреляции сигнала для получения нормированных сигналов относительно конкретных условий эксплуатации актива.

8. Способ по п. 1,

в котором на этапе оценки риска оценивают риск любого события, которое требует выполнения операции технического обслуживания на одном из турбомашинных активов; и

причем способ включает в себя этап прогнозирования для оценки времени проведения технического обслуживания с помощью анализа прогноза на основе алгоритмов прогнозирования временных рядов или вероятностного прогноза на основе экстраполяции параметров старения данных.

9. Способ по п. 1, в котором этап присвоения оценки значимости выполняют для присвоения оценки значимости аномалиям, классифицируемым как неисправность датчика, на основании типа аномалии и продолжительности времени, а также резервирования датчика.

10. Способ по п. 1, включающий в себя этап установления того, влияет ли неисправность датчика на объем или дату технического обслуживания,

причем, если результат этапа присвоения значимости, выполненного на аномалиях датчиков, влияет на объем или дату технического обслуживания, выполняют этап оценки риска.

11. Способ по п. 10, в котором события, которые требуют выполнения операции технического обслуживания на одном из турбомашинных активов, включают в себя события, снижающие доступность активов, включая по меньшей мере одно из следующего: автоматическое выключение, незапланированная остановка, неисправность системы, ухудшение характеристик активов и старение деталей/материала, снижение производительности, отказ двигателя/компонента.

12. Способ по п. 1, в котором этап настройки модели для вычисления параметров конфигурации модели выполняется в автономном режиме.

13. Способ по п. 1, в котором статистические/математические характеристики или параметры представляют собой медиану, среднее значение, стандартное отклонение, процентили, производную величину, эксцесс, асимметрию, проекции на основные компоненты и компоненты вейвлет-разложения, полученные на основании анализа спектра, и их комбинации.

14. Способ по п. 1, в котором параметры, необходимые для описания исправного состояния активов, включают эксплуатационные показатели, выбросы, ухудшение характеристик компонентов.

15. Способ по п. 1, в котором на этапе обучения идентификации и классификации аномалий используют соответственно модель восстановления сигнала AAKR и полиномиальную классификационную модель.

16. Система для мониторинга и обработки данных для распознавания и классификации аномалий в работе парка или группы установок, содержащих один или более турбомашинных активов, и при этом каждый из турбомашинных активов содержит один или более датчиков, каждый из которых выполнен с возможностью генерирования управляющих сигналов, служащих для распознавания аномалий системы, связанных с турбомашинными активами парка, содержащая:

логический блок управления, содержащий

по меньшей мере одну шину,

по меньшей мере один процессор, соединенный с шиной,

базу данных, соединенную с шиной так, чтобы обеспечивать доступ и управление процессором, причем параметры конфигурации модели сохраняются,

машиночитаемую память, соединенную с шиной так, чтобы обеспечивать доступ и управление процессором,

приемо-передающий модуль, соединенный с шиной, выполненный с возможностью приема и передачи данных через сеть Интернет для приема управляющих сигналов от турбомашинных активов и связанных с ними вычисленных параметров парка, и

по меньшей мере одну систему мониторинга и/или предупреждения,

причем по меньшей мере один процессор выполнен с возможностью:

получения параметров конфигурации модели из базы данных для обработки управляющих сигналов датчиков турбомашинных активов;

получения управляющих сигналов от датчиков турбомашинных активов в течение по меньшей мере одного временного интервала;

извлечения математических/статистических характеристик или параметров из управляющих сигналов от датчиков турбомашинных активов в по меньшей мере одном временном интервале;

распознавания одной или более аномалий на основании статистических характеристик и/или параметров датчиков турбомашинных активов, извлеченных на этапе извлечения на основе параметров конфигурации;

классифицирования каждой аномалии, распознанной на этапе распознавания, по отношению к шаблону извлеченных математических/статистических характеристик;

распределения каждой аномалии, классифицированной на этапе классифицирования, на аномалии системы, связанные с турбомашинными активами парка, или на аномалии датчиков, причем,

если на этапе классифицирования распознают одну или более аномалий системы, выполняют этап оценки риска для оценки риска любого события, которое требует выполнения операции технического обслуживания, подлежащей выполнению на системе/активе под мониторингом,

в противном случае, если на этапе классифицирования распознают одну или более аномалий датчика, выполняют этап присвоения значимости для присвоения значимости аномалиям, идентифицированным как неисправности датчика, и, в случае если значимость является высокой, выполняют этап оценки риска для оценки риска любого события, которое требует выполнения операции технического обслуживания, подлежащей выполнению на турбомашинном активе под мониторингом;

прогнозирования аномальной характеристики сигнала и связанного с ней риска в будущем, чтобы оценить время для технического обслуживания, вычисленное как время, когда сигнал и/или риск достигнет заданных пороговых значений;

определения действий по исправлению/техническому обслуживанию для выполнения при следующей оценочной дате технического обслуживания, чтобы восстановить исправное состояние для каждого актива при проведении объема технического обслуживания; и

визуализации оценочного времени для технического обслуживания и связанных с ним планов технического обслуживания посредством системы мониторинга и/или предупреждения,

причем для вычисления параметров конфигурации модели обеспечивается настройка модели на основании данных парка за прошлые периоды, включающая в себя:

прием входных сигналов от турбомашинных активов парка, подлежащих мониторингу и техническому обслуживанию;

вычисление параметров, необходимых для описания исправного состояния активов;

предварительную обработку сигналов, принимаемых от турбомашинных активов, и вычисленных параметров, при которой выполняют фильтрацию и декорреляции сигнала для устранения корреляции между сигналами различных систем и получения нормированных сигналов относительно конкретных условий эксплуатации актива;

идентификацию групп сходств между турбомашинными активами парка, выполняемая посредством методов кластеризации с использованием метрик расстояния или сходства для управляющих сигналов и параметров всех активов в парке; и

выполнение этапа извлечения характеристик группы, включающего в себя следующие подэтапы:

идентификация временных интервалов, в которых активы работают как предполагалось, и вычисление исправных характеристик в каждой идентифицированной группе сходств турбомашинных активов и извлечение исправных статистических/математических характеристик или параметров в течение по меньшей мере одного временного интервала,

идентификация временных интервалов, в которых активы работают аномально, и вычисление аномальных характеристик в каждой идентифицированной группе сходств турбомашинных активов, извлечение аномальных статистических/математических характеристик или параметров в течение по меньшей мере одного временного интервала, причем в случае отсутствия достаточного количества и типов аномалий, идентифицируемых по трендам сигнала за прошлые периоды, аномалии эмулируют и вводят в пределах трендов сигнала, а этап извлечения аномальных характеристик выполняют из числа временных интервалов, в которых были введены аномалии; и

этап обучения идентификации и классификации аномалий;

причем параметры конфигурации состоят из исправных и аномальных характеристик, извлеченных во временных интервалах, в течение которых выполняется этап настройки модели, и параметров настройки моделей идентификации и классификации, обученных в течение этапа настройки модели.

17. Система по п. 16, в которой указанные вычисленных параметры включают эксплуатационные показатели, выбросы, скорости ухудшения характеристик.

18. Способ по п. 16, в которой на этапе обучения идентификации и классификации аномалий используют соответственно модель восстановления сигнала AAKR и полиномиальную классификационную модель.