CN111339627B - 计算流体动力学分析异常症候预测***及方法 - Google Patents
计算流体动力学分析异常症候预测***及方法 Download PDFInfo
- Publication number
- CN111339627B CN111339627B CN201910858175.9A CN201910858175A CN111339627B CN 111339627 B CN111339627 B CN 111339627B CN 201910858175 A CN201910858175 A CN 201910858175A CN 111339627 B CN111339627 B CN 111339627B
- Authority
- CN
- China
- Prior art keywords
- analysis
- analysis data
- unit
- analytical
- signal
- 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.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 215
- 238000000034 method Methods 0.000 title claims abstract description 58
- 239000012530 fluid Substances 0.000 title claims description 20
- 208000011580 syndromic disease Diseases 0.000 title description 6
- 230000005856 abnormality Effects 0.000 claims abstract description 40
- 230000002159 abnormal effect Effects 0.000 claims description 22
- 208000024891 symptom Diseases 0.000 claims description 11
- 238000003745 diagnosis Methods 0.000 claims description 10
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012938 design process Methods 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 claims 1
- 238000004088 simulation Methods 0.000 description 18
- 239000000306 component Substances 0.000 description 14
- 230000006870 function Effects 0.000 description 8
- 239000002699 waste material Substances 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000470 constituent Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012916 structural analysis Methods 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Mathematical Optimization (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Development Economics (AREA)
- Fluid Mechanics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Pure & Applied Mathematics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Architecture (AREA)
- Software Systems (AREA)
Abstract
本发明涉及一种在对安装在工厂内部的部件或其他工厂内部的结构体进行设计时,能够在利用计算机对物理状态进行分析的过程中在计算出与相应分析相关的结果之前辨别出分析是否向错误的方向执行的分析异常症候预测***及方法。
Description
技术领域
本发明涉及一种在对安装在工厂内部的部件或其他工厂内部的结构体进行设计时,能够在利用计算机对物理状态进行分析的过程中在计算出与相应分析相关的结果之前辨别出分析是否向错误的方向执行的分析异常症候预测***及方法(System And MethodFor Predicting Anomalies In Cfd Interpretation)。
背景技术
在工厂内部配备有非常多种类型的结构体,在正式制作如上所述的结构体之前,需要耗费大量的时间以及经历对其进行设计。为了制造出高性能、高可靠性的核心部件,在设计过程中必须利用计算机执行如流体分析、结构分析、电磁分析等分析,如上所述的分析通常需要重复执行几十次乃至几百次,而每次分析都需要耗费大量的时间。
此外,在重复执行如上所述的分析的过程中,可能会发生很多不同的问题,因此在实际上计算出与设计毫无关系的错误结果值的情况比比皆是。例如,在设计人员为了执行分析而输入了栅格设计、运行条件设定、主要参数数值设定等的情况下,如果因为如失误或其他因素而造成上述输入的错误,会导致耗费大量的时间和经历执行的分析结果完全错误的情况或利用计算机的分析本身发生中断的情况。当发生如上所述的计算出错误的分析结果或分析作业本身发生中断的情况时需要重头开始再次进行分析,因为重新分析而造成的时间和努力的浪费可能会在工厂以及结构体的建设过程中导致重大的损害。
本发明的目的在于解决如上所述的工厂以及结构体设计上的问题,涉及一种能够通过在分析过程中预先对与相应的分析相关的异常症候进行预测来将时间和努力的浪费最小化的***及方法。
发明内容
本发明的目的在于,通过在执行工厂或结构体的设计所必须的物理分析的过程中持续性地评估相应的分析是否向正确的方向执行来预先确认可能计算出错误结果的异常症候并借此将分析过程中的时间以及资源的浪费最小化。
此外,本发明的目的在于,通过节省分析所需要的时间以及资源的浪费来提升整体设计过程的效率性。
此外,本发明的目的在于,通过向设计人员提供与分析是否正确执行相关的信息而即使是在非熟练的设计人员设计工厂或结构体的情况下也能够大幅节省所需要的时间以及资源。
为了解决如上所述的现有问题,适用本发明的分析异常症候预测方法,能够包括:步骤(a),以第1分析数据为基础生成与设计对象相关的信号生成部模型以及分析模型;步骤(b),通过以第2分析数据为基础将上述信号生成部模型所生成的信号适用到上述分析模型中来计算出一个以上的预测值;步骤(c),通过对上述预测值与上述第2分析数据进行比较来生成多个早期警报信息;以及步骤(d),以上述多个早期警报信息是否满足预先设定的条件为基准决定是否输出早期警报的步骤。
此外,在上述分析异常症候预测方法中,上述第1分析数据以及第2分析数据能够根据利用计算机对上述设计对象执行的流体力学分析结果来获得。此时,上述第1分析数据与第2分析数据相比能够在更早时刻获得,而上述第1分析数据以及第2分析数据能够包括与按照单位空间对上述设计对象周边的流体进行分割的单元(cell)相关的数据。
此外,上述分析异常症候预测方法的特征在于:上述步骤(b)能够包括:步骤(b-1),以第2分析数据为基础生成新信号(VSG);以及步骤(b-2)通过将上述信号(VSG)适用到在上述步骤(a)中生成的分析模型来计算出预测值(YSIM);此外,在上述步骤(b-1)之后,还能够包括:对上述信号(VSG)进行补偿处理的步骤;此外,上述步骤(b-2)中适用到分析模型中的信号(VSG),能够是经过上述补偿处理之后的信号。
此外,在上述分析异常症候预测方法中,上述步骤(c)能够包括:步骤(c-1),计算出上述预测值与上述第2分析数据之间的残差值(residual value);以及步骤(c-2),以上述残差值为基础生成早期警报信息;其中,上述早期警报信息能够包括与上述残差值是否包含在预先设定的范围内相关的信息,上述早期警报信息能够按照各个单元(cell)生成。
此外,在上述分析异常症候预测方法中,上述步骤(d)能够包括:按照各个单元单位判断异常与否的步骤、在对至少两个以上的单元进行分组之后按照分组判断异常与否的步骤、以及判断整体单元的异常与否的步骤中的至少一个以上的步骤。
此外,适用本发明之又一实施例的分析异常症候预测***,能够包括:建模层,以第1分析数据为基础生成与设计对象相关的信号生成部模型以及分析模型;以及预测层,以第2分析数据为基础利用上述信号生成部模型以及分析模型计算出一个以上的预测值,并通过对上述预测值以及上述第2分析数据进行比较来判断上述设计对象的分析是否异常。
此外,在上述分析异常症候预测***中,上述第1分析数据以及第2分析数据能够根据利用计算机对上述设计对象执行的流体力学分析结果来获得,上述第1分析数据以及第2分析数据能够包括与按照单位空间对上述设计对象周边的流体进行分割的单元(cell)相关的数据。
此外,在上述分析异常症候预测***中,上述预测层能够包括:预测部,以第2分析数据为基础利用上述信号生成部模型以及分析模型计算出一个以上的预测值;早期警报逻辑部,以上述预测值为基础生成早期警报信息;以及诊断部,以上述早期警报信息为基础判断上述设计对象的分析是否异常。
上述预测部能够包括:信号生成部,以第2分析数据为基础生成新信号(VSG);以及模拟部,通过将上述信号(VSG)适用到在上述建模层中生成的分析模型而计算出预测值(YSIM),进而还能够包括:补偿部,对利用上述信号生成部生成的信号(VSG)进行补偿处理并将上述经过补偿处理的信号传递到上述模拟部。
此外,在上述分析异常症候预测***中,上述早期警报逻辑部能够包括:残差演算部,计算出上述预测值与上述第2分析数据之间的残差值;以及早期警报信息生成部,以上述残差值为基础生成早期警报信息。上述早期警报信息,能够包括与上述残差值是否包含在预先设定的范围内相关的信息。
此外,在上述分析异常症候预测方法中,上述诊断部能够按照各个单元单位判断异常与否,在对至少两个以上的单元进行分组来按照分组判断异常与否,或者判断整体单元的异常与否。
此外,适用本发明之又一实施例的计算机可读取的记录介质,存储有用于执行分析异常症候预测方法的指令,其中,上述分析异常症候预测方法,能够包括:步骤(a)以第1分析数据为基础生成与设计对象相关的信号生成部模型以及分析模型;步骤(b)通过以第2分析数据为基础将上述信号生成部模型所生成的信号适用到上述分析模型中而计算出一个以上的预测值;步骤(c)通过对上述预测值与上述第2分析数据进行比较而生成多个早期警报信息;以及步骤(d)以上述多个早期警报信息是否满足预先设定的条件为基准决定是否输出早期警报。
通过本发明,能够在工厂或结构体的设计过程中利用计算机执行分析时大幅节省其分析时间,借此还能够在节省工厂设计所需要的整体时间的同时大幅节省工厂建设所需要的费用。
此外,通过本发明,即使是非熟练人员也能够轻易地完成分析,借此能够在雇佣人力的经营者立场上节省费用或更加高效地应用人力资源。
附图说明
图1对在设计工厂内涡轮机叶片的过程中对流体流动进行分析的状态之一实施例进行了图示。
图2对适用本发明的***结构进行了图示。
图3对***内构成中的预测部的详细构成进行了图示。
图4对***内构成中的早期警报逻辑部的详细构成进行了图示。
图5对***内构成中的分析部的详细构成进行了图示。
具体实施方式
与本发明的目的和技术构成及其效果相关的具体事项,将通过结合适用本发明之说明书的附图进行的详细说明得到进一步明确。接下来,将结合附图对适用本发明的实施例进行详细的说明。
不应将在本说明书中公开的实施例理解为或用于对本发明的范围进行限定。对于本领域的一般技术人员,包含本说明书中的实施例在内的说明能够具有多种不同的应用。因此,在本发明的详细说明中所记载的任意实施例只是用于更好地对本发明进行说明的示例性内容,并不是为了将本发明的范围限定于特定的实施例。
在附图中图示并在下述内容中进行说明的功能块只是可能的实现例。在其他实现例中,能够在不脱离详细说明的思想以及范围的前提下使用其他功能块。此外,本发明的一个以上的功能块以单独的块进行表示,但是本发明的功能块中的一个以上能够是用于执行相同功能的多种硬件以及软件构成的组合。
此外,包含某一个构成要素的表达属于“开放型”表达,只是单纯地表示相应的构成要素存在,并不应该理解为排除其他追加的构成要素。
进而,当记载为某一个构成要素与其他构成要素“连接”或“接触”时,虽然能够与其他构成要素直接连接或接触,但也能够理解为中间有其他构成要素存在。
接下来,将结合附图对本发明所提案的分析异常症候预测***及其方法进行详细的说明。
在正式地对分析异常症候预测***进行说明之前,首先参阅图1对作为本发明之背景的计算流体动力学(CFD)分析即利用计算机执行的流体力学分析的实例进行说明。
图1对利用计算机设计安装在工厂内的涡轮机叶片的过程进行了图示,具体来讲,对流体经过假想设计的叶片周围时的流体流动的计算机模拟过程进行了图示。如上所述的模拟会重复(iteration)几百次乃至几千次,在每次重复时都将对数据进行计算,设计人员能够通过如上所述的重复的模拟分析决定最适合的叶片结构。
参阅图1,在假想的叶片周边标记有多个以三角形划分的区块,在本详细说明中将各个区块称之为单元(cell)。单元是指用于按照空间对叶片周围的流体进行划分分析的单位,各个单元中能够包括多个流体力学数据。具体来讲,在图1的叶片周围划分表示了共计750个单元,此时各个单元能够包括68个状态值。
此外,在假定对上述叶片的模拟重复执行了5000次的情况下,在每次重复时作为模拟的输出数据能够计算出共计750个单元以及包含在上述各个单元中的68个状态值。
此外,在图1的实施例中将按照空间对叶片周围的流体进行划分的单位定义为单元,但是在对其他部件中的物理力学关系进行分析的过程中,也能够将不同定义的单元作为一个单位使用。
通常,在设计如涡轮机内的叶片等部件时,需要耗费最长的时间以及资源的部分就是如图1所示的分析过程。尤其是在执行流动分析时相对于结构分析需要耗费更多的时间,在流动分析中尤其是3D分析需要耗费极多的时间。通常,在完成部件设计之后的模拟以及分析例如以涡轮机内叶片为基准由分析专业人士利用计算机重复执行约70~80次。考虑到执行1次分析需要耗费的时间长达几小时并考虑到执行模拟或分析的重复次数越多就越有利于设计出更高品质的部件,如果能够节省模拟或分析所需要的时间,不仅能够节省叶片设计所需要的时间以及费用,还能够节省整体的涡轮机以及工厂建设所需要的时间以及费用。
本发明的目的在于,节省在如上所述的设计一个部件的过程中尤其是在需要较多的时间以及资源的模拟以及分析步骤中消耗的时间,具体来讲涉及一种通过在重复执行的模拟以及分析步骤中从过去获得的分析数据生成任意的分析模型,并根据所生成的分析模型判断在输入当前获得的分析数据时所输出的值是否大幅度地超出预测范围,从而判断出相应的模拟以及分析是否正确执行的一系列***及方法。接下来,将结合附图对分析异常症候预测***的构成以及上述构成通过哪些步骤预测分析上的异常症候进行详细的说明。
图2是对适用本发明的分析异常症候预测***的构成进行图示的框图,如图所示,上述***大体上包括两个层,即建模层(Modeling Layer)100以及预测层(PredictionLayer)200。接下来,将对各个层进行说明。
作为参考,为了便于理解发明的内容,在图1的分析异常症候预测***中按照所执行的功能或步骤划分指定了图示框,上述***能够由配备有用于执行演算的中央处理单元(CPU)、以及能够对用于执行演算的程序以及数据进行存储的存储器(Memory)的装置来实现,后续说明的各个层以及构成能够在利用计算机可读取的语言设计的程序上实现并通过上述中央处理单元(CPU)执行。进而,分析异常症候预测***能够通过硬件(hardware)、固件(firmware)、软件、或上述的结合实现,在利用硬件实现时能够由专用集成电路(ASIC,application specific integrated circuit)或数字信号处理器(DSP,digital signalprocessor)、数字信号处理设备(DSPD,digital signal processing device)、可编程逻辑设备(PLD,programmable logic device)、以及现场可编程门阵列(FPGA,fieldprogrammable gate array)等构成,在利用固件或软件实现时能够由包含用于执行如上所述的功能或动作的模块、步骤、或函数等的固件或软件构成。
首先,建模层100是用于以预先采集到的分析数据为基础生成与信号生成部相关的模型(以下简称为信号生成部模型)以及分析模型的构成。参阅图2,建模层100生成信号生成部模型以及分析模型,此时上述各个模型的生成顺序能够发生变更,也能够同时生成两个模型,
首先在生成信号生成部模型的过程即S101中,建模层100在对预先采集到的第1分析数据进行采集之后生成模拟信号生成部的模型即信号生成部模型。信号生成部是用于任意生成作为设计对象的模拟结果计算出的分析数据的构成,在本分析异常症候预测***中能够通过建模方式生成用于任意生成如上所述的分析数据的信号生成部,从而利用其进一步生成在后续说明的分析模型中使用的输入数据。具体来讲,上述信号生成部模型能够起到用于生成上述图1中提及的模拟中的输出数据的作用,例如包含在各个单元内的68个状态值中的任意值。此外,第1分析数据是指与设计对象相关的过去已采集到的分析数据,例如在假定设计对象为安装在工厂内的涡轮机叶片的情况下,上述第1分析数据中能够包括在过去的重复执行过程中获得的分析数据,例如,能够包括在叶片的周边流动的流体中的层流粘度、湍流粘度、流体密度、各个单元的流体的X、Y、Z方向动量、以及流体的内部能量等。
关于信号生成部模型所执行的步骤,将在对预测层200的预测部210的说明中再次提及,因此将在后续的内容中进行详细的说明。
在步骤S101中对信号生成部模型进行建模之后,在步骤S103中,建模层100对分析模型进行建模。分析模型是指模拟出对象物理特性的多种数学关系式,较佳地能够是计算流体动力学(Computational Fluid Dynamics;CFD)模型。但是,关于分析模型涉及到哪一种物理量,可能会根据对象的不同而有所不同,并不限定于计算流体动力学(CFD)。为了便于理解,在本详细说明中将以第1模型生成部130生成与涡轮机的叶片相关的计算流体动力学(CFD)模型的实例作为实施例。
此外,通过模型层100生成的信号生成部模型以及分析模型被传递到预测层200的预测部210。
重新参阅图2,分析异常症候预测***能够包括预测层200,预测层200能够包括预测部210、早期警报逻辑部230、以及诊断部250。预测层200将以在上述的模型层100中生成的信号生成部模型以及分析模型为基础向上述分析模型输入当前的分析数据,并在步骤S200中,计算出相关的结果值即预测值(estimated value),接下来在步骤S300中,为了能够以预测值为基准预先判断出当前正在执行的分析是否正确而执行早期警报逻辑并生成早期警报信息,然后在步骤S400中,以所生成的多个早期警报信息为基础对相应的分析进行诊断。
接下来,对预测层200的各个构成进行详细的说明并了解预测层200的具体作用。
在预测层200的构成中,首先由预测部210接收在上述说明的建模层100中生成的与信号生成部模型以及分析模型相关的信息(Model Information)并以所采集到的第2分析数据为基础将上述信号生成部模型适用到分析模型中执行模拟,从而计算出一系列的结果值即预测值。此外,在本详细说明中提及的第2分析数据与上述的第1分析数据不同,如果说第1分析数据是指通过与现有的设计对象相关的模拟以及分析获得的分析数据,则第2分析数据是指在当前时间点下采集到的分析数据即比上述第1分析数据更新的最近的分析数据。例如,如果说设计对象为涡轮机内的叶片且在之前几次的模拟以及分析重复(iteration)过程中获得的分析数据为第1分析数据,则当前时间点下正在执行的重复过程中的分析数据为第2分析数据。但是需要注意的是,这只是为了便于理解而提供的一个实例,本发明并不因为如上所述的说明而受到限定。此外,上述术语重复的含义能够理解为在执行一个分析的过程中相应的分析被重复执行。
接下来,将参阅图3对预测部210进行更详细的说明,预测部210还能够包括信号生成部211、补偿部213、以及模拟部215。
信号生成部211能够理解为是利用上述的建模层100生成的信号生成部模型生成信号的构成,此时所生成的信号能够理解为是与设计对象相关的任意的分析数据。参阅附图,上述信号生成部211在接收第2分析数据V以及Y之后以此为基础生成新的信号VSG并将其传递到补偿部213。具体来讲,与上述第2分析数据对应的V以及Y都能够包括从在图1中提及的单元获得的数据,例如V能够以矩阵的形态包括如层流粘度、湍流粘度等在内的多个数据,Y能够以矩阵的形态包括如密度、X/Y/Z方向上的动量以及内部能量在内的多个数据。此外,VSG能够理解为是从包含于上述V的多个数据中提取出的仅包含分析异常症候预测所需要的数据的新的分析数据。换言之,上述信号生成部211是指用于任意生成预测值演算所需要的分析数据的构成,此时所生成的信号VSG是以第2分析数据(V、Y)为基础。
接下来,补偿部213的作用在于进一步提升利用预测部210计算出的预测值(estimated value)的准确度,在默认情况下,VSG将被输入到补偿部213并作为补偿的对象,除此之外第2分析数据(V、Y)也将被输入到补偿部213而作为对上述VSG信号进行补偿时的参考。参阅附图,补偿部213的输出包括Um以及Us,此时的Um将被传递到后一个构成即模拟部215,而Us将被传递到上一个构成即信号生成部211。Um是指利用补偿部213对上述VSG进行补偿处理之后的信号,相应的信号能够最终理解为是为了提升在接下来利用模拟部215计算出的预测值即YSIM的准确度而使用的经过补偿的最佳信号。此外,Us能够理解为是用于更加准确地生成利用上述信号生成部211生成的VSG的最佳信号,Us在被传递到信号生成部211之后将作为用于生成之后的VSG信号的反馈资料使用。
补偿部213能够理解为是为了使在预测分析异常症候的模拟过程中所需要的分析数据更加接近于适当的值而对所输入的信号进行补偿处理的构成。即,补偿部能够通过追加各个重复过程或过去的重复过程中的分析结果值或预测值,换言之能够通过利用当前的重复过程k与过去的重复过程k-1对应的分析值或分析预测值之间的差异对所计算出的值进行补偿来最终准确地预测出设计人员希望得到的值。此外,上述补偿能够通过在上述重复过程k与过去的重复过程k-1之间的差异值乘以加权值来决定补偿数值的方式完成。
接下来,模拟部215是用于在从补偿部213接收到对VSG执行补偿处理之后的信号(Um)之后将其适用到之前在建模层100中生成的分析模型中来最终计算出预测值(YSIM)的构成。即,模拟部215是指以与设计对象(叶片)相关的分析数据中尤其是以包括层流粘度、湍流粘度等在内的V以及包含密度、X/Y/Z方向动量、内部能量值在内的Y之间的相关关系模型即分析模型为基础,利用在信号生成部211中生成并在补偿部213中经过补偿处理的输入值计算出预测值即YSIM的构成。
在上述内容中,对预测部210的功能以及在预测部210内执行的演算过程进行了介绍。
接下来,将对早期警报逻辑部230进行详细的说明。重新参阅图2,早期警报逻辑部230起到通过在接收到利用上述预测部210计算出的结果值即预测值之后将上述预测值与预先存储的分析数据进行比较而生成用于对与设计对象相关的分析异常症候进行检测的基础信息即所谓的早期警报信息的功能。
图4是对早期警报逻辑部230的详细构成进行图示的框图,如图所示,早期警报逻辑部230能够包括残差演算部231以及早期警报信息生成部233。
残差演算部231在接收到从上述的预测部210计算出的预测值(Estimated Data)以及来自于外部的实际分析数据即第2分析数据之后,演算出上述预测值与第2分析数据之间的差异即残差值(Residual Value),通过如上所述的方式演算出的残差值将被传递到早期警报信息生成部233。
早期警报信息生成部233以上述残差值为基准计算出上述残差值是否满足预先设定的条件或范围,并在生成与相应的分析相关的一个早期警报信息或多个早期警报信息之后将其提供给后续说明的诊断部。此时,上述早期警报信息生成部能够针对各个单元(cell)内的各个变量生成早期警报信息,通过如上所述的方式生成的早期警报信息接下来将用于在诊断部中对相应分析的异常与否进行判断。
总的来讲,早期警报信息生成部233并不是实际发出早期警报的构成,只是用于在生成早期警报信息之后将其传递到下一个构成即分析部250中。
最后,将对诊断部250进行详细的说明。诊断部250用于接收在上述的早期警报逻辑部230中生成的早期警报信息,并以上述早期警报信息为基础最终判断出相应的分析模型中是否有异常之后发出早期警报。
图5是用于对诊断部250的功能进行说明的示意图,如图所示,诊断部250能够从上述的早期警报逻辑部230按单元(cell)接收多个早期警报信息,并通过对上述所有信息进行聚合来只有在满足预先设定的条件时生成早期警报。
例如,在假定接收到从第1单元到第10单元的共计10个早期警报信息的情况下,如果上述10个早期警报信息中的3个超出了预先设定的条件或范围,则诊断部250以早期警报信息为基础生成用于指示当前正在执行的与设计对象相关的分析中发生了异常症候的早期警报。发出早期警报能够理解为包括为了使设计人员感知而将早期警报输出到显示屏或输出声音等的多种形态的实施例。
此外,诊断部250能够按照如第1次判断各个单元(cell)的异常与否,第2次在对至少两个以上的单元(cell)进行分组之后按照分组判断异常与否,最后判断整体单元的异常与否等步骤执行异常与否判断,但是,上述内容仅为一个实施例,也能够在省略对各个单元的判断之后仅对分组后的单元以及整体单元的异常与否进行判断,或在对各个单元的异常与否进行判断之后直接对整体单元的异常与否进行判断。
在上述内容中,对与工厂或结构体相关的分析异常症候预测***及其方法进行了说明。本发明并不限定于如上所述的特定的实施例以及应用例,具有本发明所属技术领域之一般知识的人员能够在不脱离权利要求书所请求的本发明之要旨的范围内对本发明进行各种变形实施,而如上所述的变形实施应理解为包含在本发明的技术思想或前景内。
Claims (17)
1.一种在工厂或结构体的设计过程中利用计算机实现的分析异常症候预测方法,其特征在于,包括:
步骤a),以第1分析数据为基础生成与设计对象相关的信号生成部模型以及分析模型;
步骤b),通过以第2分析数据为基础将上述信号生成部模型所生成的信号适用到上述分析模型中来计算出一个以上的预测值;
步骤c),通过对上述预测值与上述第2分析数据进行比较来生成多个早期警报信息;以及
步骤d),以上述多个早期警报信息是否满足预先设定的条件为基准决定是否输出早期警报,
其中,上述第1分析数据以及第2分析数据是根据利用计算机对上述设计对象执行的流体力学分析结果来获得的,以及
其中,第2分析数据是在当前时间点下采集到的分析数据,而上述第1分析数据与第2分析数据相比是在更早时刻获得的。
2.根据权利要求1所述的分析异常症候预测方法,其特征在于:
上述第1分析数据以及第2分析数据包括与按照单位空间对上述设计对象周边的流体进行分割的单元相关的数据。
3.根据权利要求2所述的分析异常症候预测方法,其特征在于:
上述步骤b)包括:
步骤b-1),以第2分析数据为基础生成新的信号VSG;以及
步骤b-2),通过将上述信号VSG适用到在上述步骤a)中生成的分析模型来计算出预测值YSIM。
4.根据权利要求3所述的分析异常症候预测方法,其特征在于:
在上述步骤b-1)之后还包括:对上述信号VSG进行补偿处理的步骤,
上述步骤b-2)中适用到分析模型中的信号VSG是经过上述补偿处理之后的信号。
5.根据权利要求2所述的分析异常症候预测方法,其特征在于:
上述步骤c)包括:
步骤c-1),计算出上述预测值与上述第2分析数据之间的残差值;以及
步骤c-2),以上述残差值为基础生成早期警报信息。
6.根据权利要求5所述的分析异常症候预测方法,其特征在于:
上述早期警报信息包括与上述残差值是否包含在预先设定的范围内相关的信息。
7.根据权利要求6所述的分析异常症候预测方法,其特征在于:
上述早期警报信息是按照各个单元生成的。
8.根据权利要求2所述的分析异常症候预测方法,其特征在于:
上述步骤d)包括:
按照各个单元单位判断异常与否的步骤、在对至少两个以上的单元进行分组之后按照分组判断异常与否的步骤、以及判断整体单元的异常与否的步骤中的至少一个以上的步骤。
9.一种在工厂或结构体的设计过程中利用计算机实现的分析异常症候预测***,其特征在于,包括:
建模层,以第1分析数据为基础生成与设计对象相关的信号生成部模型以及分析模型;以及,
预测层,以第2分析数据为基础利用上述信号生成部模型以及分析模型计算出一个以上的预测值,并通过对上述预测值以及上述第2分析数据进行比较来判断上述设计对象的分析是否异常,
其中,上述第1分析数据以及第2分析数据是根据利用计算机对上述设计对象执行的流体力学分析结果来获得的,以及
其中,第2分析数据是在当前时间点下采集到的分析数据,而上述第1分析数据与第2分析数据相比是在更早时刻获得的。
10.根据权利要求9所述的分析异常症候预测***,其特征在于:
上述第1分析数据以及第2分析数据包括与按照单位空间对上述设计对象周边的流体进行分割的单元相关的数据。
11.根据权利要求10所述的分析异常症候预测***,其特征在于:
上述预测层包括:
预测部,以第2分析数据为基础利用上述信号生成部模型以及分析模型计算出一个以上的预测值;
早期警报逻辑部,以上述预测值为基础生成早期警报信息;以及
诊断部,以上述早期警报信息为基础判断上述设计对象的分析是否异常。
12.根据权利要求11所述的分析异常症候预测***,其特征在于:
上述预测部包括:
信号生成部,以第2分析数据为基础生成新信号VSG;以及
模拟部,通过将上述信号VSG适用到在上述建模层中生成的分析模型来计算出预测值YSIM。
13.根据权利要求12所述的分析异常症候预测***,其特征在于,还包括:
补偿部,对利用上述信号生成部生成的信号VSG进行补偿处理并将上述经过补偿处理的信号传递到上述模拟部。
14.根据权利要求11所述的分析异常症候预测***,其特征在于:
上述早期警报逻辑部包括:
残差演算部,计算出上述预测值与上述第2分析数据之间的残差值;以及
早期警报信息生成部,以上述残差值为基础生成早期警报信息。
15.根据权利要求14所述的分析异常症候预测***,其特征在于:
上述早期警报信息包括与上述残差值是否包含在预先设定的范围内相关的信息。
16.根据权利要求11所述的分析异常症候预测***,其特征在于:
上述诊断部按照各个单元单位判断异常与否,在对至少两个以上的单元进行分组来按照分组判断异常与否,或者判断整体单元的异常与否。
17.一种存储有指令的计算机可读取存储介质,所述指令在被计算机执行时用于在工厂或结构体的设计过程中利用计算机实现分析异常症候预测方法,其特征在于:
上述分析异常症候预测方法包括:
步骤a),以第1分析数据为基础生成与设计对象相关的信号生成部模型以及分析模型;
步骤b),通过以第2分析数据为基础将上述信号生成部模型所生成的信号适用到上述分析模型中而计算出一个以上的预测值;
步骤c),通过对上述预测值与上述第2分析数据进行比较而生成多个早期警报信息;以及
步骤d),以上述多个早期警报信息是否满足预先设定的条件为基准决定是否输出早期警报,
其中,上述第1分析数据以及第2分析数据是根据利用计算机对上述设计对象执行的流体力学分析结果来获得的,以及
其中,第2分析数据是在当前时间点下采集到的分析数据,而上述第1分析数据与第2分析数据相比是在更早时刻获得的。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR10-2018-0152749 | 2018-11-30 | ||
KR1020180152749A KR102245922B1 (ko) | 2018-11-30 | 2018-11-30 | CFD(Computational Fluid Dynamics) 해석 이상 징후 예측 시스템 및 방법 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111339627A CN111339627A (zh) | 2020-06-26 |
CN111339627B true CN111339627B (zh) | 2024-04-12 |
Family
ID=70680909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910858175.9A Active CN111339627B (zh) | 2018-11-30 | 2019-09-11 | 计算流体动力学分析异常症候预测***及方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20200175121A1 (zh) |
KR (1) | KR102245922B1 (zh) |
CN (1) | CN111339627B (zh) |
DE (1) | DE102019126292A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114878651B (zh) * | 2022-05-18 | 2024-03-08 | 西安热工研究院有限公司 | 基于大数据的凝结水水质恶化预警***及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101547994A (zh) * | 2006-09-29 | 2009-09-30 | 费舍-柔斯芒特***股份有限公司 | 用于异常情况预防的流体催化裂化器中催化剂损耗的探测 |
TW201017447A (en) * | 2008-10-31 | 2010-05-01 | Tong Dean Tech Co Ltd | An early stage abnormality prediction device for fabrication process and its prediction method |
CN105719002A (zh) * | 2016-01-18 | 2016-06-29 | 重庆大学 | 一种基于组合预测的风电机组状态参数异常辨识方法 |
KR20170125237A (ko) * | 2016-05-04 | 2017-11-14 | 두산중공업 주식회사 | 플랜트 이상 감지 시스템 및 방법 |
CN107369303A (zh) * | 2017-08-23 | 2017-11-21 | 北京赛普泰克技术有限公司 | 工厂智能诊断方法、装置及*** |
CN107806985A (zh) * | 2016-09-08 | 2018-03-16 | 斗山重工业株式会社 | 转子振动异常感知装置及方法 |
CN108604360A (zh) * | 2016-05-04 | 2018-09-28 | 斗山重工业建设有限公司 | 设施异常监测方法及其*** |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005284623A (ja) * | 2004-03-29 | 2005-10-13 | Mazda Motor Corp | 設計支援プログラム、設計支援方法及び設計支援装置 |
US7441411B2 (en) * | 2005-09-16 | 2008-10-28 | General Electric Company | Method and apparatus to detect onset of combustor hardware damage |
WO2007087729A1 (en) * | 2006-02-03 | 2007-08-09 | Recherche 2000 Inc. | Intelligent monitoring system and method for building predictive models and detecting anomalies |
JP5240132B2 (ja) * | 2009-09-04 | 2013-07-17 | 富士通株式会社 | 熱流体シミュレーション解析装置 |
JP5658576B2 (ja) * | 2011-01-27 | 2015-01-28 | 富士重工業株式会社 | 流体解析装置、流体解析方法、及び、流体解析プログラム |
KR101591193B1 (ko) * | 2014-09-17 | 2016-02-02 | 엘에스산전 주식회사 | Plc 로그 데이터를 이용한 이상 발생 예측 시스템 |
KR20160050807A (ko) | 2014-10-31 | 2016-05-11 | 삼성에스디에스 주식회사 | 데이터 분석 및 예측 장치 및 방법 |
JP2017072922A (ja) * | 2015-10-06 | 2017-04-13 | 三菱自動車工業株式会社 | 軸流ファンの解析方法,解析装置及び解析プログラム |
US10698980B2 (en) * | 2015-10-10 | 2020-06-30 | John Michael Snider, SR. | Methods for constructing surfaces for optimizing fluid flow |
US20170124497A1 (en) * | 2015-10-28 | 2017-05-04 | Fractal Industries, Inc. | System for automated capture and analysis of business information for reliable business venture outcome prediction |
US9922541B2 (en) * | 2015-11-16 | 2018-03-20 | Google Llc | Systems and methods for detecting anomalies in a hazard detection system |
-
2018
- 2018-11-30 KR KR1020180152749A patent/KR102245922B1/ko active IP Right Grant
-
2019
- 2019-09-11 CN CN201910858175.9A patent/CN111339627B/zh active Active
- 2019-09-11 US US16/566,967 patent/US20200175121A1/en not_active Abandoned
- 2019-09-30 DE DE102019126292.5A patent/DE102019126292A1/de active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101547994A (zh) * | 2006-09-29 | 2009-09-30 | 费舍-柔斯芒特***股份有限公司 | 用于异常情况预防的流体催化裂化器中催化剂损耗的探测 |
TW201017447A (en) * | 2008-10-31 | 2010-05-01 | Tong Dean Tech Co Ltd | An early stage abnormality prediction device for fabrication process and its prediction method |
CN105719002A (zh) * | 2016-01-18 | 2016-06-29 | 重庆大学 | 一种基于组合预测的风电机组状态参数异常辨识方法 |
KR20170125237A (ko) * | 2016-05-04 | 2017-11-14 | 두산중공업 주식회사 | 플랜트 이상 감지 시스템 및 방법 |
CN108604360A (zh) * | 2016-05-04 | 2018-09-28 | 斗山重工业建设有限公司 | 设施异常监测方法及其*** |
CN107806985A (zh) * | 2016-09-08 | 2018-03-16 | 斗山重工业株式会社 | 转子振动异常感知装置及方法 |
CN107369303A (zh) * | 2017-08-23 | 2017-11-21 | 北京赛普泰克技术有限公司 | 工厂智能诊断方法、装置及*** |
Non-Patent Citations (2)
Title |
---|
Christian Janke 等.Compressor map computation based on 3D CFD analysis.《CEAS Aeronaut J》.2015,全文. * |
倪震 ; 李千目 ; 郭雅娟 ; .面向电力大数据日志分析平台的异常监测集成预测算法.南京理工大学学报.2017,(05),全文. * |
Also Published As
Publication number | Publication date |
---|---|
KR20200065860A (ko) | 2020-06-09 |
CN111339627A (zh) | 2020-06-26 |
KR102245922B1 (ko) | 2021-04-30 |
US20200175121A1 (en) | 2020-06-04 |
DE102019126292A1 (de) | 2020-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cai et al. | Application of Bayesian networks in reliability evaluation | |
EP2862033B1 (en) | Method and system for determining life consumption of a mechanical part | |
JP6023882B2 (ja) | 機械部品の寿命消費の信頼できる予測 | |
US10330018B2 (en) | Integrating design and field management of gas turbine engine components with a probabilistic model | |
CN110530650B (zh) | 基于广义回归神经网络与箱型图分析的重型燃气轮机性能状态监测方法 | |
CN112861459B (zh) | 全灵敏度对抗重要性抽样产量优化方法和装置 | |
Singh et al. | Software reliability early prediction in architectural design phase: Overview and Limitations | |
Fiondella et al. | Optimal allocation of testing effort considering software architecture | |
CN111339627B (zh) | 计算流体动力学分析异常症候预测***及方法 | |
CN106933572B (zh) | 一种基于llvm中间表示程序切片的度量模型 | |
Echavarria et al. | Probabilistic error propagation through approximated Boolean networks | |
Yusupbekov et al. | Analysis of the Current Status of the Theory and Practice of Assessing the Reliability of Software of Automated Information and Control Systems | |
CN106886620B (zh) | 航天器测试资源优化配置方法 | |
Brown et al. | Reliability analysis of load-sharing systems with spatial dependence and proximity effects | |
Sehgal et al. | Predicting faults before testing phase using Halstead’s metrics | |
Henning et al. | Diagnostic analysis for mechanical systems | |
Wu et al. | Mean Time to Failure Prediction for Complex Systems With Adaptive Surrogate Modeling | |
Yakovyna et al. | Discrete and Continuous Time High-Order Markov Models for Software Reliability Assessment. | |
Volochiy et al. | Safety estimation of critical NPP I&C systems via state space method | |
CN110688152B (zh) | 一种结合软件开发质量信息的软件可靠性定量评估方法 | |
Liu et al. | A novel testability model for health management of heading attitude system | |
Ma et al. | Modeling the impact of prognostic errors on CBM effectiveness using discrete-event simulation | |
Shrestha et al. | Bayesian analysis of Extended Lomax distribution | |
Agarwal | Markovian software reliability model for two types of failures with imperfect debugging rate and generation of errors | |
KR20190120548A (ko) | 배전 그리드의 특성을 고려한 에너지 저장 장치의 분석 장치 및 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |