CN102982488A - 用于实现发电厂操作的统计比较的自动化***和方法 - Google Patents
用于实现发电厂操作的统计比较的自动化***和方法 Download PDFInfo
- Publication number
- CN102982488A CN102982488A CN2012101488615A CN201210148861A CN102982488A CN 102982488 A CN102982488 A CN 102982488A CN 2012101488615 A CN2012101488615 A CN 2012101488615A CN 201210148861 A CN201210148861 A CN 201210148861A CN 102982488 A CN102982488 A CN 102982488A
- Authority
- CN
- China
- Prior art keywords
- generating plant
- continuous time
- curve
- time series
- monitoring parameter
- Prior art date
- Legal status (The legal status 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 status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明的名称是:“用于实现发电厂操作的统计比较的自动化***和方法”。提供用于分析发电厂数据的***和方法,包括访问一个或多个监测参数的数据,在发电厂操作的至少一个给定类型的实例期间生成选定参数的连续时间序列剖面模型(212)(例如通过广义加性模型和/或主曲线技术),以及通过比较选定监测参数的连续时间序列剖面模型与表示发电厂操作的至少一个给定类型的理想性能的权益曲线来引导形状分析(214)。与仿形和形状分析技术关联的数据可提供为电子输出给用户(224)。额外步骤或特征可包括确定选定监测参数的能力指数(216),聚类(218)识别的具有相似剖面的剖面模型组,监测(220)和/或最优化参数(222)来识别并改进发电厂性能。
Description
技术领域
本文公开的主题涉及用于实现发电厂操作的自动化电子分析的***和方法,并且更特别地,涉及统计比较发电厂操作的操作剖面的形状和变化模式的***和方法。
背景技术
例如在发电厂环境内实现的高度复杂的工业操作常常涉及多个机器和关联过程的复杂协调。在这样的发电厂环境内的许多工业部件可包含与计算装置结合的传感器或其他监测设备以使这样的部件的实时状况可以被电子跟踪。例如,在发电厂环境内的一些显示面板能够显示与工厂内监测的各自的部件或过程关联的各种目前工厂操作状况。
上述发电厂的操作数据常常仅以连续时间序列的形式可用。换句话说,传感器不断监测部件并且提供不停的数据流以使操作员可以观察各种工厂部件的目前操作状态的实时统计。从这些数据中挑出具体的工厂操作是重要的事情。
一些已知的技术能够响应特定的问题或事情必要时在特别的基础上仅通过经历分类并回顾信息的手工过程来分析具体的工厂操作。这样的技术典型地包括手工挖掘大量数据来发现特定的工厂操作和/或事件,过滤这些操作/事件来找出相关的操作/事件,从数据中取出少许信号,并且随后依据彼此给其绘图。所有这样漫长且复杂的步骤一般在特别的基础上完成,并且典型地对于每一个问题当其出现时必须重复。因此,仍有将自动化和流线型数据分析与在工厂环境内发生的事件关联的需求。
由于传统监测***中捕捉的信息的庞大数量以及分类和访问这样的数据的有限方式,分析历史数据的能力也可能困难。没有方式来识别并存储与过去的操作事件关联的数据,分析员可能被迫手工分类大量先前数据来识别所希望的信息。因此也仍有提供能力来分类并分析历史发电厂数据和/或提供当前数据和历史数据的有意义的比较的需求。
更进一步,具体的工厂操作可非常复杂和多变,因此难以做出不同的操作实例之间的有用的比较。由于操作员需要人工概念化并比较与工厂环境关联的众多抽象参数,由操作人员与数据监测***交互的工厂操作的分析可能变得更加困难。而且,视觉化工厂操作,特别地每次视觉化多于一个,需要艰巨的数据操纵的显著级别。所有这些现实是对于作为任何监测或改进程序的部分的特性化和视觉化工厂操作的重大障碍。因此,也仍有设计来特性化并视觉化发电厂及其操作之间的数据比较的电子特征的需求。
在开发用于发电厂操作的有用数据分析中的又一个考虑关系到与操作的特定实例关联的数据如何与其他相似数据比较。将用于发电厂操作的给定数据集和与相似操作关联的数据,或和用于那类操作的理想或优选数据集(有时被称作“权益曲线”)比较常常是有利的。操作剖面的一些已知技术,例如用来分析发电厂的启动条件的这些,已集中于在具体的离散里程碑比较参数值(例如,工厂负载)与权益曲线中对应的点来理解启动时间、废气中的偏差,并且来估计收益损耗。然而,由于这样的曲线离散成少许地标,在分析中失去重要信息,从而难以识别启动时间中的变化模式并依据曲线形状和分离的个体和影响启动的工厂级别因素来量化权益曲线的差别。
本领域正持续地寻求用于电子分析与发电厂内各种部件和操作关联的条件和参数的改进的***和方法。
发明内容
在所公开的技术的一个示范性实施例中,电子分析发电厂数据的方法包含:电子访问包含一个或多个监测参数的发电厂操作数据;在发电厂操作的至少一个给定类型的识别实例期间生成选定的监测参数的连续时间序列剖面模型;通过比较选定的监测参数的连续时间序列剖面模型与表示用于发电厂操作的至少一个给定类型的理想性能的权益曲线来引导形状分析;以及将一个或多个生成的连续时间序列剖面模型和引导的形状分析的结果作为电子输出提供给用户。
本公开的技术的另一示范性实施例涉及发电厂分析和显示***,包含至少一个处理装置、至少一个包括由至少一个处理装置执行的计算机可读取指令的存储器、以及至少一个输出装置。至少一个处理装置配置为电子访问连续的发电厂操作数据,在发电厂操作的至少一个给定类型的识别实例期间电子生成选定的监测参数的连续时间序列剖面模型,以及通过比较选定的监测参数的连续时间序列剖面模型与表示用于发电厂操作的至少一个给定类型的理想性能的权益曲线来引导形状分析。至少一个输出装置配置为电子中继与生成的连续时间序列剖面模型或引导的形状分析结果关联的数据。
附图说明
根据优选和示范性实施例,结合其另外的优点,将在下文的详细描述中结合附图更加特别地描述本发明,其中:
图1是本公开技术的发电厂分析***内的示范性硬件和软件部件的框图,包含这些部件,例如联合循环(CC)发电厂内的监测硬件元件以及根据所公开的技术访问发电厂的操作数据并且特性化并显示信息的服务器和计算机部件;
图2是统计比较发电厂操作的参数剖面的形状和变化模式的方法中的示范性步骤的流程图;
图3概括地图示第一示范性仿形技术的多方面,并且特别地图示发电厂测量数据的一系列图形表示,发电厂测量数据分解成广义加性模型(GAM)剖面结合来自GAM剖面的残差;
图4概括地图示第二示范性仿形技术的多方面,并且特别地图示发电厂测量数据的一系列图形表示,发电厂测量数据分解成主曲线剖面;
图5是使用例如翻译、缩放和旋转比较的剖面的普鲁克技术来引导形状分析中的示范性步骤的流程图;
图6A图示从图4的第一实际剖面曲线到其对应的理想权益曲线的示范性比较;以及图6B示出在包含曲线的翻译、旋转和缩放的普鲁***之后图6A的相同曲线;
图7A图示从图4的第二实际剖面曲线到其对应的理想权益曲线的示范性比较;以及图7B示出在包含曲线的翻译、旋转和缩放的普鲁***之后图7A的相同曲线;
图8提供如图4的剖面曲线上引导的聚类分析的例子,特别示出剖面曲线与造成的权益曲线(I)的距离的比较;以及
图9提供如剖面启动数据上引导的聚类分析以使用多个启动剖面特性化作为输入得到快速启动多变量聚类的例子。
具体实施方式
现在参照本发明的特定实施例,其一个或多个例子在附图中图示。每一实施例通过本发明的多方面的解释的方式呈现,且不应理解为本发明的限制。例如,关于一个实施例图示或描述的特征可用于另一实施例来得到又一实施例。旨在本发明包含这些和对本文描述的实施例做出的其他修改或变化。
一般而言,图1-9图示本公开的用于实现发电厂操作的操作剖面的形状和变化模式的自动化统计比较的***和方法的各种方面。图1图示可用在一个目标***中的各种示范性硬件和软件部件。图2和图5图示实现所公开的技术的示范性方面的方法中的示范性步骤。图3-4和图6A-9分别图示可根据所公开的技术的各种实施例实现的发电厂操作的选定的特性化和视觉化特征的一般例子。
现在参照图1,用于实现所公开的技术方面的***的主要物理部件对应于包含发电厂分析应用168的软件包。发电厂分析应用168是包括存储在有形的计算机可读取介质上的计算机可读取和可执行指令集的基于软件的模块。在图1的例子中,发电厂分析应用168存储在本地服务器164,服务器164在本地提供给一个或多个发电厂,例如联合循环(CC)发电厂100。发电厂分析应用168访问并分析发电厂数据166,例如可从与多个传感器162接口的控制器160接收,传感器162在发电厂100内提供用来跟踪并捕捉发电厂100的各种监测特性。应当意识到,虽然发电厂数据166和发电厂分析应用168在图1中描绘为存储在本地服务器位置164,包含这样的计算机可读取数据和指令的存储器可以实际位于接近于或远离发电厂的各种位置。
仍参照发电厂分析应用168,存储在这样的软件模块内的计算机可读取信息包含用于根据定义权益曲线的各种预设定义或与各种发电厂操作相关的其他信息来分析发电厂测量数据的各种指令。示范性发电厂操作可包含但不限于启动、关机、出错、甩负载、电网干扰、燃料转移、燃烧模式转移、孤立负载步骤、适合稳定状态性能评价的时期、装载、卸载、以及影响部件寿命的瞬态。从多个传感器162或发电厂100内的其他监测装置接收的连续的实时发电厂数据166随后相对于上述预设定义处理。处理可包含根据本公开技术描述的各种仿形(profile modeling,剖面建模)、形状分析、能力指数确定(capabilityindex determination)、聚类(clustering)、监测和/或最优化步骤。
例如,仍参照图1,从本地计算机180或经由网络170链接的远程计算机190访问目标发电厂分析应用168的用户能够访问与发电厂操作的选定的识别实例关联的各种数据的预设视觉化。这样的视觉化可显示或印刷,例如,使用在各自的计算机180、190提供的一个或多个输出装置188、198。计算机180、190也可包含输入装置(例如,187和197)来选择用于观察的所希望的建模或分析结果的具体类型,以使基于可选的用户配置的定制视觉化如本文描述地可行。与本地计算机180关联的输入装置187和输出装置188也可配置为提供位于CC发电厂100的控制器160或其他装置的输入和输出特征。
更特别地参照图1,CC发电厂100可包含各种特定部件,每一部件具有可使用多个传感器162或其他可比的适当地提供来跟踪与发电厂100的部件关联的参数的监测设备来监测的某些特性。来自这样的传感器162的数据随后可通过控制器160与用户接口。参照图1示出并描述的物理部件被简化来提供发电厂部件的类型的描述性例子,发电厂部件的特性可被监测来提供发电厂数据166。因此,图1的部件不应以任何方式被认为是本公开的技术的限制特征。
在图1的示范性实施例中,发电厂100包含一个或多个耦合到发电机104的燃气轮机(GT)102。旋转轴106可操作地将燃气轮机102耦合到发电机104以使电力可由燃气轮机102从旋转轴106的转动生成。发电厂100也可包含耦合到发电机112的蒸汽轮机(ST)110。旋转轴114可操作地将蒸汽轮机110耦合到发电机112以使电力可由蒸汽轮机110从旋转轴114的转动生成。虽然示出单独的发电机104、112,涡轮102、110两者供电相同发电机是可能的。
仍参照图1,可提供热回收蒸汽发生器(HRSG)120用于从燃气轮机102的排气124生成第一蒸汽流122。即,来自燃气轮机102的排气124用来加热水来生成蒸汽流122,其可施加给蒸汽轮机110。辅助锅炉140可操作地耦合到蒸汽轮机110来产生具有合适于启动蒸汽轮机的特性的第二蒸汽流142。可选地,如有必要,可提供过热器(SH)144来(例如,从辅助锅炉140创建的饱和蒸汽状态)使蒸汽流142过热。图1的示范性发电厂100也包含第一控制阀150用于控制第一蒸汽流122到蒸汽轮机110的施加,以及第二控制阀152用于控制第二蒸汽流142到蒸汽轮机的施加。
控制器160控制发电厂100的操作并且,特别地,通过这些在燃气轮机102的操作期间在联合循环中连续地操作工厂,即:通过控制第二控制阀152启动蒸汽轮机110来从辅助锅炉140施加第二蒸汽流142到蒸汽轮机,随后启动燃气轮机102和HRSG 120,并且随后从HRSG 120施加第一蒸汽流122到蒸汽轮机。控制器160可包含电性链接到每一部件并能够控制用于控制每一部件(例如控制阀150、152)的操作的任何机制的计算机化的控制***。传感器162或其他监测设备可以直接耦合到发电厂100的选定部件,或可通过控制器160或通过其他合适的接口机制接口到这样的部件。
仍参照图1,从发电厂100中的各种传感器162获取的数据可被提供到本地服务器164。例如,监测数据在图1中表示为在存储发电厂数据的本地服务器164内的数据库166。虽然图示为用于存储发电厂数据的单个模块166,应当意识到多个数据库、服务器、或其他相关计算机或数据存储装置可用来存储来自传感器162的监测数据。本地服务器164内的额外的存储器模块可对应于发电厂分析应用168内提供的软件指令和定义。如对应于发电厂操作和/或关键事件和/或这样的实例内的数据片段的特定实例来识别并特性化的部分原始发电厂数据可简单标记在发电厂数据存储器模块166内或可取出并存储在不同的存储器位置(未示出)。
一旦发电厂分析应用168已自动地取出发电厂操作的各种类型内的发电厂测量数据,用户能够访问并进一步通过经由本地计算机180或远程计算机190访问与发电厂分析应用168关联的特征来操纵这样的数据,本地计算机180和远程计算机190两者都可直接地耦合到本地服务器164或经由一个或多个有线或无线连接间接地耦合到本地服务器164。远程计算机可经由网络170耦合,其可对应于任何网络类型,包含但不限于拨入网络、实用网络、公共交换电话网络(PSTN)、局域网(LAN)、广域网(WAN)、局域网(LAN)、广域网(WAN)、城域网(MAN)、个人区域网络(PAN)、虚拟私人网络(VPN)、校园网(CAN)、存储区域网络(SAN)、因特网、内部网或以太网类型网络、两个或者更多这些类型的网络或其他的组合,以一个或多个有线和/或无线通信链路的组合中的任何种类的网络拓扑实现。
每一计算机180、190可分别包含一个或多个通信接口182、192,一个或多个存储器模块184、194以及例如微处理器186、196等的一个或多个处理装置。计算/处理装置186、196可适应于通过执行以存储在存储器/介质元件184、194中的计算机可读取形式提供的软件指令而操作为专用机器。当使用软件时,任何合适的编程、脚本、或其他类型的语言或语言的组合可用来实现本文包含的教导。在其他实施例中,本文公开的方法可备选地由硬接线逻辑或其他电路实现,包含但不限于特殊用途的电路。
包含在本地服务器164、本地计算机180和/或远程计算机190内的存储器模块,可作为一个或多个种类的计算机可读取介质的单个或多个部分而提供,例如但不限于易失性存储器(例如,随机存取存储器(RAM,例如DRAM、SRAM等)和非易失性存储器(例如,ROM、闪存、硬驱动、磁带、CD-ROM,DVD-ROM等)或包含软盘、驱动、其他基于磁性的存储介质、光存储介质、固态存储介质和其他的任何其他存储器装置的任何组合。示范性输入装置187、197可包含但不限于键盘、触摸屏监测器、眼***、麦克风、鼠标等。示范性输出装置188、198可包含但不限于监测器、打印机或用来视觉描绘根据所公开的技术创建的输出数据的其他装置。
现在更特别地参照图2,示范性步骤根据方法200而呈现,用于特性化在发电厂的不同操作模式期间相对于时间的剖面形状/关键参数的曲线。关键参数对应于发电厂环境内的这些特征,其性能由一个或多个传感器162等监测,如图1中描述的。操作模式的不同示范性类型可包含但不限于,启动、关机、出错、甩负载、电网干扰、燃料转移、燃烧模式转移、孤立负载步骤、适合稳定状态性能评价的时期、装载、卸载、以及影响部件寿命的瞬态。
所公开的技术一般使用例如主曲线和广义加性模型的非参数方法来在操作模式期间特性化每一参数的剖面,如仿形步骤212中所指示的。取出的非参数模型随后用来使用统计形状分析来特性化不同的变化和与权益剖面/曲线的相似性,如形状分析步骤214中所一般地指示的。普鲁***用来测量发电厂的个体剖面之间的相似性,并且可选地在步骤216中基于工厂的操作剖面与工厂的对应权益曲线的相似性来生成给定发电厂的能力指数。更进一步,步骤218包括聚类剖面来识别形状变化的主模式。通过聚类分析识别的变化的主模式可基于专家意见或其他预定的准则来与一个或多个具体的根本原因相关。最后,步骤220包含监测变化的主模式的监测方案来检测形状的新变化并且也识别能力指数中的退化。也可提供额外的参数最优化特征作为步骤222的部分。与上述步骤的任何一个或多个关联的电子输出数据最终可提供为步骤224的部分。
更特别地参照图2,统计比较用于发电厂操作的操作剖面的形状和变化模式的方法200包含可施加于一个或多个或所有参数的步骤,这些参数被监测并识别为发电厂测量数据166的部分。应当意识到,在图2中图示的发电厂测量数据166可通过从可连续地从发电厂内的传感器获得的监测参数数据捕捉信息的特定子集来提供。特别地,初始分析可在这样的连续数据上引导来合适地识别对应于操作的特定实例的数据的仅一些部分。例如,当工厂启动的比较是所希望的,发电厂测量数据可包含仅用于对包含多个各自的工厂启动的时间间隔的参数信息。这样的实例可这样识别,例如,通过访问连续发电厂操作数据并且比较这些数据与定义对于操作的给定类型何时开始和何时结束的参数级别的预设定义。因此,仅用于在操作实例的开始和结束之间的这些特定的时间间隔的参数数据是需求的并且提供为发电厂测量数据的部分。这样的识别实例可用唯一的标识符或时限性指数标记来准备在将来的分析步骤中召回。
仍参照图2,提出的***如图1所图示,特别地发电厂分析应用168是经由一个或多个关联的处理器执行来分析发电厂数据166来进行分析在发电厂100内监测并且作为发电厂数据166提供的一个或多个选定参数或所有参数的各种步骤。
目标发电厂分析应用内的第一示范性步骤212由针对仿形的软件模块执行。根据这样的第一步骤212,建模每一发电厂操作内的***特征。在一些例子中,主曲线技术和/或广义加性模型(GAM)技术用来实现仿形。这样的技术都起始于基于从先前启动获取的测量来建模每一操作参数的剖面。例如主曲线或广义加性模型(GAM)等非参数模型用来描述数据中的***特征并且移除噪声。一般而言,这样的技术都将测量数据166作为在一种工厂模式/操作(例如,工厂启动)的不同实例期间测量的一个或多个给定参数(例如,工厂负载)并且生成由在操作实例期间用于参数的连续时间序列模型构成的对应曲线/剖面。
图3图示第一仿形例子,特别地利用广义加性模型来建模相对于时间的工厂负载。图3中的第一图形部分300示出工厂负载测量数据,中间图形部分302示出在使用广义加性模型处理之后的相同数据,以及最右的图形部分304示出也是根据广义加性模型计算的残差(residual)。图3中的每一数据集图示用于给定单元/工厂的相对于t(时间)观察的一个操作参数(即,以兆瓦(MW)测量的工厂负载)的n个实例的集合。图形部分300和302中的最左的曲线306表示对应于给定操作内的理想参数性能的权益曲线。在每一图形部分300-304中的所有其他数据点或曲线表示操作实例的实际数据。
在其中广义加性模型应用于如图形部分300中图示的工厂负载数据以得到图形部分302中表示的GAM数据和图形部分304中表示的残差的特定的方式,可在一些例子中根据后续式子(1)定义。
在式子(1)中,第一项b(t)是用于依赖于时间(t)的工厂负载的基于b样条的模型。式子(1)中的第二项建模在个体启动之间级别中的差别,其中si是用于起始i的指示符变量。式子(1)中的第三项是建模曲线之间形状中的差别的交互项,以及残差项(ε)是未建模噪声。自由度的数量是基于残差项的评价选定以使参数可以尽可能接近建模以成为独立并且恒等分布(IID)的随机变量。如从式子(1)看到的,GAM方式允许如模型中的第二和第三项定义的曲线之间级别中的差别和曲线之间形状中的差别的直接统计比较。代表单元/工厂的数据的进一步额外的项可用来确定两个或者更多单元是否具有不同的级别和形状。然而,变化模式的曲线和类型之间的差别的性质的解释难以仅从此模型获取。这些困难通过实现形状分析步骤214来识别变化模式而部分减轻。
现在参照图4,为用于实现仿形步骤212的另一技术(即主曲线技术)提供图形表示。基于曲线的近似的主曲线可用来表示这些曲线。主曲线分析是对主部件分析(PCA)技术的非线性扩展,其可用来用平滑曲线并且从数据移除噪声来总结在两个变量(例如,工厂负载和时间)之间的对称关系。图4中的左图形数据部分402提供近似于图形部分300中表示的数据集的主曲线。
再次参照图2,目标发电厂分析应用内的第二示范性步骤214由针对形状分析的软件模块执行。根据这样的步骤214,步骤212中生成的剖面与对应的权益曲线(理想参数剖面)比较来识别实际数据曲线之间的相似性或实际曲线和理想权益曲线之间的相似性。在一些特定的例子中,步骤214中的形状分析可基于式子(1)中提出的剖面模型。在这样的例子中,n启动是成对地与彼此比较并且与权益曲线比较来计算各自的相似值。该相似值使用例如普鲁***的方法基于统计形状分析来计算。每次形状分析使用普鲁***进行,两个分析曲线之间的形状差别使用齐次转换分解。这样的转换可使用三个整体步骤实现,包含翻译步骤(translating step)502、缩放步骤(scaling step)504、以及旋转步骤(rotating step)506,如图5中所指示的。这样的步骤用来匹配两个比较曲线的形状,用测量曲线之间的剩余差别的残差和平方。给定曲线和权益曲线的相似性也可用来排列发电厂操作的个体启动或其他具体类型。
图5中描绘的用于普鲁***的算法以第一翻译步骤502开始,其中所有曲线通过对准各自的曲线的图心而移到公共中心。接着,在步骤504中执行同形缩放,其将每一曲线缩放到相似尺寸并且维持其各自的形状。步骤504中使用的缩放系数对应于个体曲线之间的参数值(例如工厂负载)的级别中的差别。下一步骤506包括旋转,其中进行旋转来将给定曲线对准到平均形状。在实例中,当给定曲线与权益曲线比较时,进行旋转来将给定曲线对准到权益曲线。旋转可基于最小化给定曲线和权益曲线之间的误差平方和的正交旋转矩阵。应当意识到,用于实现形状比较或用于翻译、缩放或旋转比较曲线的其他已知技术也可根据所公开的技术实践。
图6A、6B、7A和7B图示用于与权益曲线406比较的选定样本曲线407和408(如从图4的图形部分402中表示的工厂数据选定的)而导出的普鲁***的示范性方面。图6A描绘对应相对于示范性仿形步骤212之后的权益曲线408的时间而标绘的第一工厂负载曲线407。图6B分别描绘示范性形状分析步骤214的翻译、旋转以及缩放步骤的施加之后曲线406和407的修改型(version)406’、407’。如图6A和6B中表示的曲线407和权益曲线406的比较采用由1.040的缩放值、2.443弧度的旋转值以及2206926的剩余误差平方和(SSE)值定义的示范性矩阵值。相似地,图7A描绘对应相对于示范性仿形步骤212之后的权益曲线406的时间标绘的第二工厂负载曲线408。图7B分别描绘在示范性形状分析步骤214的翻译、旋转以及缩放步骤的应用之后曲线406和408的修改型406”、408’。如图7A和7B中表示的曲线408与权益曲线406的比较采用由1.064的缩放值、0.668弧度的旋转值以及17675.58的剩余误差平方和(SSE)值定义的示范性矩阵值。
一旦执行步骤214的形状分析,额外的可选步骤也可对应于电子计算能力指数的步骤216实现。可基于该工厂的启动剖面和用于该工厂的权益曲线的相似性来开发给定发电厂的能力指数。在一些特定的例子中,来自给定单元的剖面曲线的普鲁***的参数(例如,缩放、翻译、旋转以及SSE值)用来确定能力指数,其是从权益剖面到给定工厂的启动的平均距离。该距离可基于相似值使用普鲁克转换输出使用例如欧几里得距离的定义距离测量来备选地计算。其距离在确定能力指数中被分析的参数可考虑对所有参数的相等权重或其中某些转换数值有较高权重(例如,翻译数值可比旋转数值更关键)的权重距离测量。
再次参照图2,本公开的统计比较用于发电厂操作的操作剖面的形状和变化模式的方法中的另一步骤一般包含聚类步骤218。在聚类步骤218中,具有相似剖面的曲线组被识别。基于曲线之间的相似性,操作的主要变化模式或类型在发电厂数据内被识别。例如,曲线之间的成对相似性数值(例如,通过步骤216的能力指数定义)用来基于这样的形状分析结果分割曲线。每一曲线片段表示数据中唯一的变化模式,其可被进一步分析以进行根本原因分析。
图8和图9图示根据所公开的技术可以实现的聚类技术的不同例子。聚类可直接地对由作为来自形状分析的输出而获取的参数进行或可适当地转换或规范化来改进聚类。例如,图8图形地描绘由图4的图形部分402中表示的剖面曲线测量的单个剖面参数(例如,工厂负载)的聚类结果。每一剖面曲线的额定值以各自的数字1-6中的一个标绘在图8中,其相对于权益曲线(I)各处分布。这些剖面曲线值随后相对于他们与其他剖面曲线值的邻近被分组。例如,第一群集801仅对应于剖面曲线1。第二群集802仅对应于剖面曲线2。第三群集803对应于剖面曲线3和4的集合,以及第四群集804对应于剖面曲线5和6的集合。
当剖面分析和聚类施加于多个参数时,结果可通过如图9中示出的相似图形表示来表示。在图9中,每一不同风格的数据点(例如,三角形、交叉标记、正方形、以及十字)表示不同类型的参数,其剖面值被计算并且标绘。每一类型参数的聚类由椭圆包络表示。例如,示范性群集900表示由图9中的十字数据点表示的选定参数值的确定分组。图9中描绘的分析的类型示出跨越多个参数的剖面特性化可以如何用来基于多个剖面理解片段及其特性。
更进一步参照图2,步骤220包含监测连续生成的发电厂数据内的一个或多个选定参数。例如,能力指数和群集可被电子监测来识别新的变化模式。此外,从不同的操作参数和变化模式获取的能力值可被监测来检测与权益曲线的相似性的退化并且捕捉可指示不同的操作剖面的新变化(群集)。
步骤222包括由当前操作和权益曲线之间做出的比较来最优化发电厂的性能。通过跟踪工厂性能并且比较这样的性能与先前操作和/或该类型操作的权益曲线,随后可确定用于相对于权益曲线增加性能改进的参数最优化。基于给定单元启动剖面与相似操作特性的其他单元的比较,可提供具体建议来最优化其性能来匹配以减少启动时间和成本。
最后,示范性步骤224包括将根据所公开的技术生成的选定信息作为电子输出提供给用户。可作为输出提供的示范性信息包含但不限于仿形和/或形状分析步骤212和214的图形表示,能力指数确定步骤216和/或聚类步骤218的数字、图形或其他视觉化输出,以及监测和/或最优化步骤220和222的各种电子指示。电子输出可被电子显示在输出装置(例如监测器、电视、控制器屏幕、或其他显示屏幕)上、电子印刷、或经由电子邮件的电子通信、基于网络的有线和/或无线通信、或其他电子传输。
参照图1-9特别详述了具有现在描述的所公开的技术的各种步骤和特征,本领域中的一个普通技术人员将意识到这样的技术提供了众多具体的改进。所公开的***和方法提供用于建模整个参数剖面(即,连续时间序列剖面模型)而不是关键的离散地标的特征来理解与权益或设计剖面的相似性。统计形状分析不仅可以用来比较来自给定工厂的启动和权益剖面的相似性并理解工厂能力,也可以用来基于其启动和权益曲线的相似性来比较/基准多个工厂。所公开的技术提供了基于统计形状分析通过剖面的聚类在启动或其他发电厂操作中变化模式的取出。给定工厂的能力指数可基于其各种操作参数剖面与对应的权益曲线的相似性来确定。基于形状分析识别的变化的主要模式可通过查看他们发生的偏差而链接到根本原因。启动剖面曲线中的变化可被监测用于新变化模式和给定工厂能力中的退化的早期检测。
本技术的上述改进和其他公开特征给予的优点包含以下能力:识别机会来改进启动时间并且提供推荐,销售硬件/软件升级给客户,基于启动积分卡提供工厂/单元的自动化排序,在将来为整个工厂提供基于价值的服务或产品,实现允许用于客户服务管理的更佳策略的启动的偏差级别比较,以及从关键操作参数的权益曲线基于剖面距离来实现能力分析。
虽然已相对于具体的示范性实施例及其方法详细描述了本主题,将意识到本领域的那些技术人员,根据得到上述理解可轻易地产生对这样的实施例的修改、变化、以及等效。因此,本公开的范围是以例子的方式而不是以限制的方式,并且目标公开并未排除包含对于本领域中的一个普通技术人员会很明显的对本主题这样的修改、变化和/或增添。
部件列表:
Claims (20)
1.一种电子分析发电厂数据(200)的方法,包括:
电子访问包含一个或多个监测参数的发电厂操作数据;
在发电厂操作的至少一个给定类型的识别实例期间生成选定的监测参数的连续时间序列剖面模型(212);
通过比较所述选定的监测参数的连续时间序列剖面模型与表示用于所述发电厂操作的至少一个给定类型的理想性能的权益曲线来引导形状分析(214);以及
将一个或多个所述生成的连续时间序列剖面模型和所述引导的形状分析的结果作为电子输出提供给用户(224)。
2.如权利要求1所述的方法,其中所述生成选定的监测参数的连续时间序列剖面模型(212)的步骤包括使用广义加性模型来生成所述选定的监测参数的连续时间序列模型。
3.如权利要求1所述的方法,其中所述生成选定的监测参数的连续时间序列剖面模型(212)的步骤包括使用主曲线模型来生成所述选定的监测参数的连续时间序列模型。
4.如权利要求1所述的方法,还包括基于所述生成的连续时间序列剖面模型与所述权益曲线的相似性来确定用于选定的监测参数的能力指数(216)。
5.如权利要求1所述的方法,其中对于所述发电厂操作的至少一个给定类型的多个识别实例来重复所述生成选定的监测参数的连续时间序列剖面模型(212)的步骤;以及其中所述方法还包括将识别的具有相似剖面的剖面模型组聚类(218)在一起。
6.如权利要求5所述的方法,其中将识别的具有相似剖面的剖面模型组聚类(218)在一起还包括识别所述发电厂操作的至少一个给定类型内的主要变化模式。
7.如权利要求1所述的方法,还包括连续地监测(220)由所述引导的形状分析造成的一个或多个参数来识别发电厂性能中的退化的步骤。
8.如权利要求1所述的方法,还包括使用所述引导的形状分析来确定用于所述选定的监测参数的最优化(222)来相对于所述发电厂操作的至少一个给定类型的所述权益曲线增加性能改进的步骤。
9.如权利要求1所述的方法,其中所述发电厂操作的至少一个给定类型包括一个或多个启动、关机、出错、甩负载、电网干扰、燃料转移、燃烧模式转移、孤立负载步骤、适合稳定状态性能评价的时期、装载、卸载、以及影响部件寿命的瞬态。
10.如权利要求1所述的方法,其中所述连续发电厂操作数据包括实时数据或历史数据。
11.如权利要求1所述的方法,其中引导形状分析(214)包括翻译(502)、缩放(504)并且旋转(506)选定的所述监测参数的连续时间序列剖面模型来与用于所述选定的参数的所述对应权益曲线对准。
12.如权利要求1所述的方法,其中将一个或多个所述生成的连续时间序列剖面模型和所述引导的形状分析结果作为电子输出提供给用户(224)包括在显示装置上提供数字、图形或其他视觉表示,作为印刷输出或作为电子通信。
13.一种发电厂分析和显示***,包括:
至少一个处理装置(186,196);
至少一个存储器(184,194),包括用于由所述至少一个处理装置(186,196)执行的计算机可读取指令,其中所述至少一个处理装置(186,196)配置为电子访问连续的发电厂操作数据,在发电厂操作的至少一个给定类型的识别实例期间电子生成选定的监测参数的连续时间序列剖面模型,以及通过比较所述选定的监测参数的连续时间序列剖面模型与表示用于所述发电厂操作的至少一个给定类型的理想性能的权益曲线来引导形状分析;以及
至少一个输出装置(198),用于电子中继与所述生成的连续时间序列剖面模型或所述引导的形状分析的结果关联的数据。
14.如权利要求13所述的***,其中所述计算机可读取指令更特别地配置所述至少一个处理装置(186,196)来生成选定的监测参数的连续时间序列剖面模型通过使用广义加性模型来生成所述选定监测参数的连续时间序列模型。
15.如权利要求13所述的***,其中所述计算机可读取指令更特别地配置所述至少一个处理装置(186,196)来生成所述选定监测参数的所述连续时间序列剖面模型通过使用主曲线模型来生成所述选定的监测参数的连续时间序列模型。
16.如权利要求13所述的***,其中所述计算机可读取指令还配置所述至少一个处理装置(186,196)来基于所述生成的连续时间序列剖面模型与所述权益曲线的相似性来确定用于选定的监测参数的能力指数。
17.如权利要求13所述的***,其中所述计算机可读取指令还配置所述至少一个处理装置(186,196)来对于所述发电厂操作的至少一个给定类型的多个识别实例重复所述生成选定的监测参数的连续时间序列剖面模型的步骤;以及还将识别的具有相似剖面的剖面模型组聚类在一起。
18.如权利要求13所述的***,其中所述计算机可读取指令更特别地配置所述至少一个处理装置(186,196)通过识别所述发电厂操作的至少一个给定类型内的主要变化模式来将识别的具有相似剖面的剖面模型组聚类在一起。
19.如权利要求13所述的***,其中所述计算机可读取指令还配置所述至少一个处理装置(186,196)来连续地监测由所述引导的形状分析造成的一个或多个参数来识别发电厂性能中的退化。
20.如权利要求13所述的***,其中所述计算机可读取指令还配置所述至少一个处理装置(186,196)使用所述引导的形状分析来确定用于选定的监测参数的最优化来增加相对于用于所述发电厂操作的至少一个给定类型的所述权益曲线的性能改进。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US13/100479 | 2011-05-04 | ||
US13/100,479 US20120283885A1 (en) | 2011-05-04 | 2011-05-04 | Automated system and method for implementing statistical comparison of power plant operations |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102982488A true CN102982488A (zh) | 2013-03-20 |
Family
ID=46001024
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012101488615A Pending CN102982488A (zh) | 2011-05-04 | 2012-05-04 | 用于实现发电厂操作的统计比较的自动化***和方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20120283885A1 (zh) |
EP (1) | EP2520994A3 (zh) |
CN (1) | CN102982488A (zh) |
Families Citing this family (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9200591B2 (en) * | 2011-07-06 | 2015-12-01 | Honeywell International Inc. | Automatic identification of operating parameters for power plants |
US8756180B2 (en) * | 2011-11-28 | 2014-06-17 | General Electric Company | Method and system for managing plant operation |
US9626634B2 (en) * | 2012-09-12 | 2017-04-18 | Abb Schweiz Ag | Industrial plant equipment, process and maintenance optimization |
US9803561B2 (en) * | 2014-11-18 | 2017-10-31 | General Electric Company | Power output and emissions based degraded gas turbine tuning and control systems, computer program products and related methods |
US9784183B2 (en) | 2014-11-18 | 2017-10-10 | General Electric Company | Power outlet, emissions, fuel flow and water flow based probabilistic control in liquid-fueled gas turbine tuning, related control systems, computer program products and methods |
US9771876B2 (en) | 2014-11-18 | 2017-09-26 | General Electric Compnay | Application of probabilistic control in gas turbine tuning with measurement error, related control systems, computer program products and methods |
US9771875B2 (en) | 2014-11-18 | 2017-09-26 | General Electric Company | Application of probabilistic control in gas turbine tuning, related control systems, computer program products and methods |
US9771877B2 (en) | 2014-11-18 | 2017-09-26 | General Electric Company | Power output and fuel flow based probabilistic control in part load gas turbine tuning, related control systems, computer program products and methods |
US9771874B2 (en) | 2014-11-18 | 2017-09-26 | General Electric Company | Power output and fuel flow based probabilistic control in gas turbine tuning, related control systems, computer program products and methods |
DE102014223810A1 (de) * | 2014-11-21 | 2016-05-25 | Siemens Aktiengesellschaft | Verfahren und Assistenzsystem zur Erkennung einer Störung in einer Anlage |
US9909507B2 (en) | 2015-01-27 | 2018-03-06 | General Electric Company | Control system for can-to-can variation in combustor system and related method |
US10161269B2 (en) * | 2015-07-17 | 2018-12-25 | Nec Corporation | Output efficiency optimization in production systems |
US9856796B2 (en) | 2015-12-07 | 2018-01-02 | General Electric Company | Application of probabilistic control in gas turbine tuning for power output-emissions parameters with scaling factor, related control systems, computer program products and methods |
US9856797B2 (en) | 2015-12-16 | 2018-01-02 | General Electric Company | Application of combined probabilistic control in gas turbine tuning for power output-emissions parameters with scaling factor, related control systems, computer program products and methods |
US9879613B2 (en) | 2015-12-16 | 2018-01-30 | General Electric Company | Application of combined probabilistic control in gas turbine tuning for power output-emissions parameters with scaling factor, related control systems, computer program products and methods |
US9882454B2 (en) | 2015-12-16 | 2018-01-30 | General Electric Company | Application of combined probabilistic control in gas turbine tuning for power output-emissions parameters with scaling factor, related control systems, computer program products and methods |
US9879612B2 (en) | 2015-12-16 | 2018-01-30 | General Electric Company | Combined probabilistic control in gas turbine tuning for power output-emissions parameters with scaling factor, related control systems, computer program products and methods |
US9879615B2 (en) | 2015-12-16 | 2018-01-30 | General Electric Company | Machine-specific probabilistic control in gas turbine tuning for power output-emissions parameters, related control systems, computer program products and methods |
US9797315B2 (en) | 2015-12-16 | 2017-10-24 | General Electric Company | Probabilistic control in gas turbine tuning for power output-emissions parameters, related control systems, computer program products and methods |
US9790865B2 (en) | 2015-12-16 | 2017-10-17 | General Electric Company | Modelling probabilistic control in gas turbine tuning for power output-emissions parameters, related control systems, computer program products and methods |
US9879614B2 (en) | 2015-12-16 | 2018-01-30 | General Electric Company | Machine-specific combined probabilistic control in gas turbine tuning for power output-emissions parameters with scaling factor, related control systems, computer program products and methods |
US10809156B2 (en) | 2016-02-15 | 2020-10-20 | General Electric Company | Automated system and method for generating engine test cell analytics and diagnostics |
DE102017219543A1 (de) * | 2017-11-03 | 2019-05-09 | Robert Bosch Gmbh | Verfahren und Anordnung zum Überwachen eines Betriebs einer Anlage |
US10635939B2 (en) | 2018-07-06 | 2020-04-28 | Capital One Services, Llc | System, method, and computer-accessible medium for evaluating multi-dimensional synthetic data using integrated variants analysis |
US11720072B2 (en) * | 2018-09-28 | 2023-08-08 | Honeywell International Inc. | Plant state operating analysis and control |
US10628434B1 (en) * | 2018-11-30 | 2020-04-21 | Capital One Services, Llc | Systems and methods for indexing and searching rule-based models |
US20200200035A1 (en) * | 2018-12-21 | 2020-06-25 | General Electric Company | Methods and systems for monitoring gas turbine startups |
CA3128973A1 (en) | 2019-03-04 | 2020-09-10 | Bhaskar Bhattacharyya | Data compression and communication using machine learning |
DE102019213019A1 (de) * | 2019-08-29 | 2021-03-04 | Wago Verwaltungsgesellschaft Mbh | Verfahren und vorrichtung zum analysieren eines ablaufprozesses |
GB2595710B (en) * | 2020-06-04 | 2022-06-08 | Advance Technical Systems Ltd | Operation analysis |
CN115170820B (zh) * | 2022-05-13 | 2023-08-01 | 中铁西北科学研究院有限公司 | 一种应用于数据曲线过渡阶段的特征提取及界限识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070088550A1 (en) * | 2005-10-13 | 2007-04-19 | Dimitar Filev | Method for predictive maintenance of a machine |
CN101206754A (zh) * | 2006-12-21 | 2008-06-25 | 北京华电天仁电力控制技术有限公司 | 基于多种约束规则的火电厂厂级负荷优化分配方法 |
US20090012653A1 (en) * | 2007-03-12 | 2009-01-08 | Emerson Process Management Power & Water Solutions, Inc. | Use of statistical analysis in power plant performance monitoring |
WO2010142595A1 (en) * | 2009-06-11 | 2010-12-16 | Nordic Bioscience Imaging A/S | Improved alignment of shapes of body parts from images |
EP2284769A1 (en) * | 2009-07-16 | 2011-02-16 | European Space Agency | Method and apparatus for analyzing time series data |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6757665B1 (en) * | 1999-09-28 | 2004-06-29 | Rockwell Automation Technologies, Inc. | Detection of pump cavitation/blockage and seal failure via current signature analysis |
US6947797B2 (en) * | 1999-04-02 | 2005-09-20 | General Electric Company | Method and system for diagnosing machine malfunctions |
US6735744B2 (en) * | 2001-02-07 | 2004-05-11 | Nec Corporation | Power mode based macro-models for power estimation of electronic circuits |
JP2004211587A (ja) * | 2002-12-27 | 2004-07-29 | Toshiba Corp | 発電プラントの運用支援システム |
US7081823B2 (en) * | 2003-10-31 | 2006-07-25 | International Business Machines Corporation | System and method of predicting future behavior of a battery of end-to-end probes to anticipate and prevent computer network performance degradation |
US6973396B1 (en) * | 2004-05-28 | 2005-12-06 | General Electric Company | Method for developing a unified quality assessment and providing an automated fault diagnostic tool for turbine machine systems and the like |
US7454039B2 (en) * | 2004-07-12 | 2008-11-18 | The Board Of Trustees Of The University Of Illinois | Method of performing shape localization |
DE102006037952A1 (de) * | 2006-08-12 | 2008-02-14 | Mtu Aero Engines Gmbh | Verfahren zur Überwachung eines Fertigungsverfahrens |
US7840332B2 (en) * | 2007-02-28 | 2010-11-23 | General Electric Company | Systems and methods for steam turbine remote monitoring, diagnosis and benchmarking |
US7680627B2 (en) * | 2008-04-01 | 2010-03-16 | Kabushiki Kaisha Toshiba | Plant operation data monitoring apparatus |
US7930593B2 (en) * | 2008-06-23 | 2011-04-19 | Hewlett-Packard Development Company, L.P. | Segment-based technique and system for detecting performance anomalies and changes for a computer-based service |
US8407027B2 (en) * | 2008-10-21 | 2013-03-26 | Fuji Electric Systems Co., Ltd. | Online diagnostic method and online diagnostic system for geothermal generation facility |
JP5301310B2 (ja) * | 2009-02-17 | 2013-09-25 | 株式会社日立製作所 | 異常検知方法及び異常検知システム |
JP5297272B2 (ja) * | 2009-06-11 | 2013-09-25 | 株式会社日立製作所 | 装置異常監視方法及びシステム |
US8751423B2 (en) * | 2010-11-30 | 2014-06-10 | General Electric Company | Turbine performance diagnostic system and methods |
US20120210257A1 (en) * | 2011-02-11 | 2012-08-16 | General Electric Company | Automated system for analyzing power plant operations |
US20120283988A1 (en) * | 2011-05-03 | 2012-11-08 | General Electric Company | Automated system and method for implementing unit and collective level benchmarking of power plant operations |
-
2011
- 2011-05-04 US US13/100,479 patent/US20120283885A1/en not_active Abandoned
-
2012
- 2012-04-30 EP EP12166228A patent/EP2520994A3/en not_active Withdrawn
- 2012-05-04 CN CN2012101488615A patent/CN102982488A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070088550A1 (en) * | 2005-10-13 | 2007-04-19 | Dimitar Filev | Method for predictive maintenance of a machine |
CN101206754A (zh) * | 2006-12-21 | 2008-06-25 | 北京华电天仁电力控制技术有限公司 | 基于多种约束规则的火电厂厂级负荷优化分配方法 |
US20090012653A1 (en) * | 2007-03-12 | 2009-01-08 | Emerson Process Management Power & Water Solutions, Inc. | Use of statistical analysis in power plant performance monitoring |
WO2010142595A1 (en) * | 2009-06-11 | 2010-12-16 | Nordic Bioscience Imaging A/S | Improved alignment of shapes of body parts from images |
EP2284769A1 (en) * | 2009-07-16 | 2011-02-16 | European Space Agency | Method and apparatus for analyzing time series data |
Also Published As
Publication number | Publication date |
---|---|
EP2520994A3 (en) | 2012-11-21 |
US20120283885A1 (en) | 2012-11-08 |
EP2520994A2 (en) | 2012-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102982488A (zh) | 用于实现发电厂操作的统计比较的自动化***和方法 | |
Hsu et al. | Wind turbine fault diagnosis and predictive maintenance through statistical process control and machine learning | |
JP2021064370A (ja) | デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム | |
US7536364B2 (en) | Method and system for performing model-based multi-objective asset optimization and decision-making | |
CN107111311B (zh) | 利用稀疏编码方法的燃气涡轮机传感器故障检测 | |
Ramasso et al. | Review and analysis of algorithmic approaches developed for prognostics on CMAPSS dataset | |
US8996334B2 (en) | Method and system for analysis of turbomachinery | |
US20120166142A1 (en) | Anomaly Detection and Diagnosis/Prognosis Method, Anomaly Detection and Diagnosis/Prognosis System, and Anomaly Detection and Diagnosis/Prognosis Program | |
US11144683B2 (en) | Real-time adaptation of system high fidelity model in feature space | |
Li et al. | Federated zero-shot industrial fault diagnosis with cloud-shared semantic knowledge base | |
Kusiak et al. | Control of wind turbine power and vibration with a data-driven approach | |
KR102330423B1 (ko) | 이미지 인식 딥러닝 알고리즘을 이용한 온라인 부도 예측 시스템 | |
Huang et al. | Reliable machine prognostic health management in the presence of missing data | |
Wood | Combined cycle gas turbine power output prediction and data mining with optimized data matching algorithm | |
Sarwar et al. | Hybrid intelligence for enhanced fault detection and diagnosis for industrial gas turbine engine | |
JP5647626B2 (ja) | プラント状態監視装置、プラント状態監視方法 | |
Farahani et al. | A novel method for designing transferable soft sensors and its application | |
Riantama et al. | Examining equipment condition monitoring for predictive maintenance, a case of typical process industry | |
Xia | A systematic graph-based methodology for cognitive predictive maintenance of complex engineering equipment | |
Afzal et al. | Power Plant Energy Predictions Based on Thermal Factors Using Ridge and Support Vector Regressor Algorithms. Energies 2021, 14, 7254 | |
Silva | Cnn-pdm: A convolutional neural network framework for assets predictive maintenance | |
Maragoudakis et al. | Using Ensemble Random Forests for the extraction and exploitation of knowledge on gas turbine blading faults identification | |
Choi et al. | Digital twin in the power generation industry | |
Jafarpour | Enabling Efficient Surveillance, Control, and Automation of Geothermal Operations with Advanced Predictive Analytics | |
Zhao | A probabilistic approach for prognostics of complex rotary machinery systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130320 |
|
WD01 | Invention patent application deemed withdrawn after publication |