CN114091798A - 对资产执行预后健康分析的方法和计算*** - Google Patents
对资产执行预后健康分析的方法和计算*** Download PDFInfo
- Publication number
- CN114091798A CN114091798A CN202110625290.9A CN202110625290A CN114091798A CN 114091798 A CN114091798 A CN 114091798A CN 202110625290 A CN202110625290 A CN 202110625290A CN 114091798 A CN114091798 A CN 114091798A
- Authority
- CN
- China
- Prior art keywords
- asset
- prognostic
- state
- evolution
- markov chain
- 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
- 230000036541 health Effects 0.000 title claims abstract description 119
- 238000004458 analytical method Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims description 75
- 230000007704 transition Effects 0.000 claims abstract description 123
- 238000002948 stochastic simulation Methods 0.000 claims abstract description 52
- 238000004088 simulation Methods 0.000 claims description 55
- 230000007613 environmental effect Effects 0.000 claims description 26
- 230000002123 temporal effect Effects 0.000 claims description 21
- 238000005259 measurement Methods 0.000 claims description 19
- 238000012423 maintenance Methods 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 16
- 230000036962 time dependent Effects 0.000 claims description 7
- 230000002411 adverse Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 49
- 230000015556 catabolic process Effects 0.000 description 40
- 238000006731 degradation reaction Methods 0.000 description 40
- 238000010586 diagram Methods 0.000 description 11
- 230000003862 health status Effects 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 238000007689 inspection Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000004393 prognosis Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
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
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
- G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Automation & Control Theory (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
为了执行对资产的预后健康分析(11‑13),使用离散马尔可夫链模型的转移概率执行多个独立的随机模拟。根据多个独立的随机模拟计算在时间范围内的预后资产健康状态演变。基于所计算的预后资产健康状态演变生成输出。
Description
技术领域
本发明涉及用于评估资产健康的技术。本发明尤其涉及用于资产健康的预后评估的方法和设备。
背景技术
电力***(例如,发电、输电和/或配电***)以及工业***均包括资产。变压器、电力发电机以及分布式能源(DER)单元就是此类资产的示例。资产在操作过程中会劣化。为了规划目的、安排维护或更换工作,需要估计资产的剩余使用寿命(RUL)。
RUL估计可以基于用于与要估计RUL的资产相同或相似类型的资产群的传感器数据。传感器数据可以用故障特征标记,从而指示传感器数据是否与资产的正常操作、劣化或故障的状态对应。当不同类型的传感器数据可根据例如制造商或与资产一同安装的附件传感器能够用于该群中不同的资产时,将此类传感器数据进行组合以进行RUL估计可能具有挑战性。
Y.Yu等人著作“使用椭圆基函数网络和马尔可夫链的剩余使用寿命预测(Remaining Useful Life Prediction Using Elliptical Basis Function Network andMarkov Chain)”(World Academy of Science,Engineering and Technology,47,2010)介绍了一种使用椭圆基函数(EBF)网络和马尔可夫(Markov)链进行剩余使用寿命预测的方法。EBF结构通过修改后的期望最大化(EM)算法进行训练,以考虑缺失协变量集。内部协变量不需要显式外推,而马尔可夫链被构造为表示外部协变量演变。
发明内容
需要改进的技术来预测资产劣化的时间演变。尤其需要这样一种技术:其允许对资产健康的劣化进行预后预测,而不必需要针对正进行预测的该特定资产捕获的传感器数据。替代或附加地,需要这样一种技术:即使对群中的不同资产可用不同类型的传感器数据时,其也可以使用来自资产群的历史传感器数据来进行预测。
根据本发明的实施例,提供了如独立权利要求中所述的方法和计算***。从属权利要求限定了优选实施例。
根据本发明的实施例,离散马尔可夫链模型可以用于预测资产的性能劣化。可以利用马尔可夫链蒙特卡洛(MCMC)方法来执行大量模拟。马尔可夫链模型可以具有对应于不同资产健康状态的一组离散状态。
所捕获的可能大量的历史传感器数据可以被压缩为少量转移概率。为了说明,可以以如下方式建立马尔可夫链模型:只有两个或三个转移概率控制各状态之间的转移,这些状态可以指示健康资产状态、其中资产仍可操作的劣化资产状态、以及其中资产已发生故障的故障资产状态。本发明还可以应用于很少或没有历史数据可用的情况。然后可以由人类专家设置马尔可夫链模型的转移概率。
可以基于传感器数据确定马尔可夫链模型的各状态之间的转移概率,该传感器数据用故障特征标记并且在资产群上进行捕获。
不同转移概率可用于并行运行的模拟。不同转移概率可以与不同操作条件和/或环境条件相关联。
可以根据模拟确定有关方差(variance)、置信区间或其他可靠性指标的信息。
利用小状态空间和少量转移概率的MCMC技术允许在各种时间范围(包括可以长达数年或更长时间的时间范围)内执行预后资产健康分析。旨在对资产行为进行更详细建模的各种其他模拟方法可以适用于在更短时间尺度上评估资产劣化,但在更长时间段内可能经受与电力***资产或工业资产的资产健康分析相关的不稳定性。
一种根据实施例的用于对资产执行预后健康分析、特别是用于确定剩余使用寿命RUL或故障概率PoF的方法包括使用离散马尔可夫链模型的转移概率来执行多个独立的随机模拟。离散马尔可夫链模型具有包含一组资产健康状态的状态空间。多个独立的随机模拟中的每个模拟在预后范围内离散马尔可夫链模型的状态空间的未来演变。该方法还可以包括根据多个独立的随机模拟计算在预后范围内的预后资产健康状态演变。该方法还可以包括基于所计算的预后资产健康状态演变生成输出。
资产可以是电力***资产。
资产可以是工业资产。
计算预后资产健康状态演变可以包括计算RUL。
计算预后资产健康状态演变可以包括将资产在预后范围内的故障概率计算为时间的函数。
该方法还可以包括根据多个独立的随机模拟将预后资产健康状态演变的置信信息计算为预后范围内的时间的函数。
还可以基于置信信息生成输出。
置信信息可以包括置信区间在预后范围内的时间演变。
该方法还可以包括根据多个独立的随机模拟将用于预后资产健康状态演变的方差信息计算为预后范围内的时间的函数。
还可以基于方差信息生成输出。
方差信息可以包括方差区间在预后范围内的时间演变。
置信或方差信息可以包括下边界的时间演变以及上边界的时间演变。
下边界可以与第一组转移概率相关联并且上边界可以与不同于第一组转移概率的第二组转移概率相关联。
输出可以包括资产健康状态的演变的表示、基于资产健康状态的演变生成的警报或警告、和/或用于基于资产健康状态的演变来控制资产的操作的控制信号。
该方法可以包括根据在第一条件(例如,第一操作和/或环境条件)下操作的资产的第一传感器数据得出第一组转移概率、以及根据在不同于第一操作条件的第二条件(例如,第二操作和/或环境条件)下操作的资产的第二传感器数据得出第二组转移概率。
状态空间可以由三个状态、四个状态或四个以上状态构成。
状态空间可以包括其中资产的操作不会受到故障的不利影响的至少一个状态。
状态空间可以包括其中资产的操作受到故障的不利影响但是资产继续操作的至少一个状态。
状态空间可以包括其中资产由于故障而无法操作的状态。
计算预后资产健康状态演变可以包括针对预后范围内的多个时间计算状态空间中的概率分布并将该概率分布映射至标量。
标量可以是如由多个独立的模拟而确定的资产将处于其中资产由于故障而无法操作的状态的概率。
可将预后资产健康状态演变获取为标量的时间演变。
该方法还可以包括根据包括用于多个资产的传感器数据的历史数据确定转移概率。
传感器数据可以用故障特征标记,该故障特征指示相应的资产在什么时间处于马尔可夫链模型的状态空间中的哪种状态。
可以自动计算故障特征或者可以基于接收到的来自人类专家的输入来分配故障特征,或者可以以上述两种方法的组合分配故障特征。
确定转移概率可以包括根据用于多个资产的传感器数据计算时间相关的标量函数。
可以使用将传感器测量用作输入并输出标量函数的启发式方法来计算标量函数。
确定转移概率可以包括基于时间相关的标量函数来识别马尔可夫链模型的状态空间内的转移。
确定转移概率可以包括基于马尔可夫链模型的状态空间内的转移来计算转移概率。
确定步骤可以包括将标量函数与一个或多个阈值进行比较。
标量函数可以表示健康指数,从而指示劣化严重程度。
可以针对不同组传感器数据独立地执行转移概率的确定,从而指示群中资产的不同操作条件和/或环境条件。
该方法可以包括确定多组转移概率,每组转移概率与不同的操作条件和/或环境条件相关联。
尽管可以针对不同的操作条件和/或环境条件确定多组转移概率,但马尔可夫链模型的状态空间可以保持相同。
该方法可以包括根据资产待经受的操作条件和/或环境条件选择多组转移概率中的一组,以用于执行模拟。
该方法可以包括执行多个独立的随机模拟使得使用与第一操作条件和/或第一环境条件相关联的第一组转移概率来执行一个或多个第一模拟、以及使用与第二操作条件和/或第二环境条件相关联的第二组转移概率来执行一个或多个第二模拟,其中第一转移概率不同于第二转移概率。
不同操作条件可以指示不同负载、不同电压、不同电流、不同操作点、不同绝缘流体,但不限于此。
不同环境条件可以指示不同温度、不同相对湿度,但不限于此。
多个独立的随机模拟可以是马尔可夫链蒙特卡洛MCMC模拟。
马尔可夫链可以是同质的。转移概率可以与时间无关。
马尔可夫链可以具有1阶,即,转移可以根据马尔可夫链模型当前所处的状态,而与到该状态的先前转移无关。
马尔可夫链模型可以使得状态具有单调有序的定性解释,即,总是可以在劣化严重性方面比较两个状态。
状态空间的每个状态可以具有到状态空间的至多一个其他状态(这描述了更严重劣化)的非零转移概率以及到每个状态自身的非零转移概率。
马尔可夫链模型可以使得状态空间的不与资产的故障对应的状态具有到状态空间的仅一个其他状态的非零转移概率。
马尔可夫链模型可以使得状态空间的与资产的故障相对应的状态不具有到除该状态自身以外的状态的任何非零转移概率。
马尔可夫链模型可以是有限的马尔可夫链模型。
状态空间可以由三个状态、四个状态或四个以上状态构成。
状态空间可以由n个状态构成,其中,n等于三、四或大于四,其中,对于状态空间的对应于可操作资产的n-1个状态而言,到状态空间的仅一个其他状态的转移概率非零,并且对于对应于故障资产的状态而言,不存在到状态空间的任何其他状态的非零转移概率。
该方法还可以包括接收在资产的操作期间捕获的传感器测量数据。
该方法还可以包括基于接收到的传感器测量数据来更新预后资产健康状态演变。
多个模拟可以包括针对不同环境和/或操作场景的模拟。
可以并行执行多个模拟。
可以同时执行多个模拟。
该方法可以是计算机实现的方法。
该方法可以由至少一个集成电路执行。
该方法可以由分散控制***的中央控制器的至少一个集成电路执行。
该方法可以由分散控制***的本地控制器的至少一个集成电路执行。
该方法可以包括由至少一个集成电路在通信网络上接收有关转移概率的信息。
资产可以是电力变压器、分布式能源DER单元或电力发电机。
预后范围可以是1年或更长时间、2年或更长时间、3年或更长时间、4年或更长时间、5年或更长时间、10年或更长时间、15年或更长时间、或者20年或更长时间。
预后范围可能是1周或更长时间、1个月或更长时间等。
预后范围可以在多个周期中测量并且可以包括多个周期,例如,一定数量的飞行周期、船舶路线周期、火车路线周期等。
一种操作和/或维护资产的方法包括使用根据实施例的方法对资产执行预后资产健康分析,并基于预后资产健康分析自动采取控制或输出动作。
控制或输出动作可以包括执行以下中的至少一项:基于所计算的预后资产健康状态演变生成警报或警告;基于所计算的预后资产健康状态演变生成用于控制资产的操作的控制信号;基于所计算的预后资产健康状态演变安排资产的停机时间、基于所计算的预后资产健康状态演变安排维护工作、基于所计算的预后资产健康状态演变安排更换工作、基于所计算的预后资产健康状态演变来更改维护间隔。
控制或输出动作可以包括经由接口输出有关作为操作时间的函数的故障概率的信息、有关所安排的或重新安排的维护工作间隔的信息、或者有关所安排的更换工作间隔的信息。
根据本发明的可操作为对资产执行预后健康分析的计算***被配置为使用离散马尔可夫链模型的转移概率来执行多个独立的随机模拟,其中,离散马尔可夫链模型具有包括一组资产健康状态的状态空间,并且其中,多个独立的随机模拟中的每个模拟在预后范围内离散马尔可夫链模型的状态空间的未来演变。计算***被配置为根据多个独立的随机模拟计算在预后范围内的预后资产健康状态演变。计算***被配置为基于所计算的预后资产健康状态演变来控制输出的生成。
计算***可以包括具有一个或多个集成电路的本地控制器,该本地控制器可操作为执行独立的随机模拟并计算预后资产健康状态演变。一个或多个集成电路IC可操作为执行本文详细描述的操作。
计算***可以包括具有一个或多个集成电路的中央控制器,该中央控制器可操作为执行独立的随机模拟并计算预后资产健康状态演变。一个或多个IC可操作为执行本文详细描述的操作。
资产可以是电力***资产。
资产可以是工业资产。
计算***可以可操作为使得计算预后资产健康状态演变可以包括计算RUL。
计算***可以可操作为使得计算预后资产健康状态演变可以包括将资产在预后范围内的故障概率计算为时间的函数。
计算***可以可操作用于根据多个独立的随机模拟计算作为预后范围内的时间的函数的预后资产健康状态演变的置信信息。
计算***可以可操作为使得还可以基于置信信息来生成输出。
计算***可以可操作为使得置信信息可以包括置信区间在预后范围内的时间演变。
计算***可以可操作用于根据多个独立的随机模拟计算作为预后范围内的时间的函数的预后资产健康状态演变的方差信息。
计算***可以可操作为使得还可以基于方差信息生成输出。
计算***可以可操作为使得输出可以包括资产健康状态的演变的表示、基于资产健康状态的演变生成的警报或警告、和/或用于基于资产健康状态的演变来控制资产的操作的控制信号。
计算***可以可操作为使得方差信息可以包括方差区间在预后范围内的时间演变。
计算***可以可操作为使得置信信息或方差信息可以包括下边界的时间演变以及上边界的时间演变。
计算***可以可操作为使得下边界可以与第一组转移概率相关联并且上边界可以与不同于第一组转移概率的第二组转移概率相关联。
计算***可以可操作用于根据在第一条件(例如,第一操作和/或环境条件)下操作的资产的第一传感器数据得出第一组转移概率,并根据在不同于第一操作条件的第二条件(例如,第二操作和/或环境条件)下操作的资产的第二传感器数据得出第二组转移概率。
计算***可以可操作为使得状态空间可以由三个状态、四个状态或四个以上状态构成。
计算***可以可操作为使得状态空间可以包括其中资产的操作不受故障的不利影响的至少一个状态。
计算***可以可操作为使得状态空间可以包括其中资产的操作受到故障的不利影响但是资产继续操作的至少一个状态。
计算***可以可操作为使得状态空间可以包括其中资产由于故障而无法操作的状态。
计算***可以可操作为使得计算预后资产健康状态演变可以包括针对预后范围内的多个时间计算状态空间中的概率分布并将该概率分布映射至标量。
计算***可以可操作为使得标量可以是如由多个独立的模拟确定的资产待处于其中资产由于故障而无法操作的状态的概率。
计算***可以可操作为使得可以将预后资产健康状态演变获取为标量的时间演变。
计算***可以可操作用于根据包括用于多个资产的传感器数据的历史数据确定转移概率。
计算***可以可操作为使得传感器数据可以用故障特征标记,该故障特征指示相应资产在什么时候处于马尔可夫链模型的状态空间中的哪种状态。
计算***可以可操作为自动计算故障特征或从人类专家处接收用于确定故障特征的输入。
计算***可以可操作为使得确定转移概率可以包括根据用于多个资产的传感器数据计算时间相关的标量函数。
计算***可以可操作为使得可以使用将传感器测量用作输入并输出标量函数的启发式方法来计算标量函数。
计算***可以可操作为使得确定转移概率可以包括基于时间相关的标量函数来识别马尔可夫链模型的状态空间内的转移。
计算***可以可操作为使得确定转移概率可以包括基于马尔可夫链模型的状态空间内的转移来计算转移概率。
计算***可以可操作为使得确定转移概率可以包括将标量函数与一个或多个阈值进行比较。
标量函数可以表示健康指数,从而指示劣化严重程度。
计算***可以可操作为使得可以针对不同组传感器数据独立地执行转移概率的确定,从而指示群中资产的不同操作条件和/或环境条件。
计算***可以可操作用于确定多组转移概率,每组转移概率与不同操作条件和/或环境条件相关联。
尽管可以针对不同操作条件和/或环境条件确定多组转移概率,但马尔可夫链模型的状态空间可以保持相同。
计算***可以可操作用于根据资产待经受的操作条件和/或环境条件来选择多组转移概率中的一组,以用于执行模拟。
计算***可以可操作用于执行多个独立的随机模拟使得使用与第一操作条件和/或第一环境条件相关联的第一组转移概率来执行一个或多个第一模拟,并且使用与第二操作条件和/或第二环境条件相关联的第二组转移概率来执行一个或多个第二模拟,其中,第一转移概率不同于第二转移概率。
计算***可以可操作为使得不同操作条件可以指示不同负载、不同电压、不同电流、不同工作点、不同绝缘流体,但不限于此。
不同环境条件可以指示不同温度、不同相对湿度,但不限于此。
计算***可以可操作为使得多个独立的随机模拟可以是马尔可夫链蒙特卡洛MCMC模拟。
计算***可以可操作为使得马尔可夫链可以是同质的。转移概率可以与时间无关。
计算***可以可操作为以使得马尔可夫链可以具有1阶,即,转移可以根据马尔可夫链模型当前所处的状态,而与到该状态的先前转移无关。
计算***可以可操作为使得状态空间的每个状态可以具有到该状态空间的至多一个其他状态的非零转移概率。
计算***可以可操作为使得马尔可夫链模型可以使得状态空间的不与资产故障对应的状态具有到状态空间的仅一个其他状态的非零转移概率。
计算***可以可操作为使得马尔可夫链模型可以使得状态空间的与资产故障对应的状态不具有到除该状态自身之外的状态的任何非零转移概率。
计算***可以可操作为使得马尔可夫链模型是有限的马尔可夫链模型。
计算***可以可操作为使得状态空间可以由四个或三个状态构成。
计算***可以可操作为使得状态空间可以由n个状态组成,其中,n等于三、四或大于四,其中,对于状态空间的对应于可操作资产的n-1个状态,到状态空间的仅一个其他状态的转移概率为非零,并且对于对应于故障资产的状态,不存在到状态空间的任何其他状态的非零转移概率。
计算***可以可操作用于接收在资产的操作期间捕获的传感器测量数据。
计算***可以可操作用于基于接收到的传感器测量数据来更新预后资产健康状态演变。
计算***可以可操作为使得多个模拟可以包括针对不同环境和/或操作场景的模拟。
计算***可以可操作为使得并行执行多个模拟。
计算***可以可操作为使得同时执行多个模拟。
计算***具有至少一个集成电路以执行所述操作。所述操作可以在分布式计算***中、例如在分散控制***中和/或使用基于云的计算***来执行。
计算***可以具有用于通过通信网络接收有关转移概率的信息的接口。
资产可以是电力变压器、分布式能源DER单元或电力发电机。
预后范围可以是1年或更长时间、2年或更长时间、3年或更长时间、4年或更长时间、5年或更长时间、10年或更长时间、15年或更长时间、或者20年或更长时间。
预后范围可以是1周或更长时间、1个月或更长时间等。
预后范围可以在多个周期中测量并且可以包括多个周期,例如,一定数量的飞行周期、船舶路线周期、火车路线周期等。
一种用于资产的控制***包括:计算***,其用于使用根据实施例的方法对资产执行预后资产健康分析;以及输出接口,其用于基于预后资产健康分析自动触发或实现控制或输出动作。
控制或输出动作可以包括执行以下中的至少一项:基于所计算的预后资产健康状态演变生成警报或警告;基于所计算的预后资产健康状态演变生成用于控制资产的操作的控制信号;基于所计算的预后资产健康状态演变安排资产的停机时间;基于所计算的预后资产健康状态演变安排维护工作;基于所计算的预后资产健康状态演变安排更换工作;基于所计算的预后资产健康状态演变更改维护间隔。
控制或输出动作可以包括经由接口输出有关作为操作时间的函数的故障概率的信息、有关所安排的或重新安排的维护工作间隔的信息、或者有关所安排的更换工作间隔的信息。
工业或电力***包括资产以及用于对该资产执行预后资产健康分析的计算***。
计算***可以是工业或电力***的用于控制资产的分散控制器。
各种效果和优点与本发明相关联。当使用具有离散状态空间以及到马尔可夫链模型的与下一劣化严重程度对应的至多一个其他状态的非零转移概率的马尔可夫链模型时,仅需要少量参数。这尤其是如下情况:当马尔可夫链模型具有可以由相当少量状态(例如,三个或四个状态,但还可选地更多数量状态)构成的状态空间时,只需要各状态之间的少量转移概率来执行该方法。转移概率可以基于用户输入进行设置或者可以根据具有故障特征的传感器数据自动确定,即使不同类型传感器数据可用于群中的不同资产。
可以使用随机模拟技术基于马尔可夫链模型从任意维度的传感器数据开始确定RUL曲线或其他预后资产健康信息。
可以基于针对不同环境和/或操作条件的随机模拟来确定RUL曲线或其他预后资产健康信息的分布。这不仅允许为预期的RUL曲线提供定量信息,还允许为其置信区间提供定量信息。RUL分布的精度和/或方差可以被量化并输出。
通过将多个随机模拟集成到允许随机模拟并行执行的模拟步骤中,可以实现高速计算。
可以生成其他信息,例如有关RUL曲线的方差或置信区间的定量信息,这些信息可以在说明性工具或应用程序中使用。
附图说明
将参考在附图中示出的优选示例性实施例来更详细地解释本发明的主题,其中:
图1是具有根据实施例的计算***的电力***的示意图。
图2是具有根据实施例的计算***的电力***的示意图。
图3是表示实施例中采用的马尔可夫链模型的图。
图4是根据实施例的方法的流程图。
图5是示出由根据实施例的方法和计算***生成的示例性输出的曲线图。
图6是示出状态占用概率的时间演变的条形图。
图7是示出由根据实施例的方法和计算***生成的示例性输出的曲线图。
图8A和图8B是示出与所观察到的资产健康状态相结合的预后资产健康状态分析的结果的曲线图。
图9是根据实施例的方法的流程图。
图10是根据实施例的计算***的框图。
具体实施方式
将参考附图描述本发明的示例性实施例。在附图中,相同或相似的附图标记表示相同或相似的元素。尽管将在电力***的资产(例如分布式能源(DER)单元或变压器)的背景下描述一些实施例,但是实施例不限于此。除非另外特别指出,实施例的特征可以彼此组合。
图1和图2是电力***10、15的示意图。电力***10、15包括多个资产。资产可以包括发电机(例如分布式能源(DER)单元11-13、16-18)、变压器或其他电力***资产。
电力***10、15包括控制***,该控制***包括本地控制器21-23,每个本地控制器与资产相关联。控制***可以包括中央***20。中央***20可以与本地控制器通信联接。中央***20可以与远程(例如,基于云的)服务器***24通信联接。
如下面将更详细描述的,本地控制器21-23、中央***20和/或远程服务器***24可以可操作为使用马尔可夫链模型执行预后资产健康分析。马尔可夫链模型可以具有特定的配置,如下面将描述的。本地控制器21-23、中央***20和/或远程服务器***24可以可操作为执行多个独立的随机模拟,特别是马尔可夫链蒙特卡洛(MCMC)模拟,以执行预后资产健康分析。
本地控制器21-23、中央***20和/或远程服务器***24可以使用预后资产健康分析的结果来安排停机时间、维护工作、更换工作或自动执行控制操作。本地控制器21-23、中央***20和/或远程服务器***24可以可操作为生成和输出控制或输出数据。可以经由人机界面(HMI)26提供输出。HMI可以经由互联网或另一个广域网络(WAN)联接到本地控制器21-23、中央***20和/或远程服务器***24。
如将参考图3至图10更详细地解释的,预后资产健康分析可以涉及模拟资产的时间演变。MCMC模拟以及对MCMC结果的进一步处理可以在本地控制器21-23处执行。这有利于结合本地传感器测量以更新预后资产健康分析。
当没有传感器数据可用于执行预后资产健康分析所针对的特定资产时,也可以使用本文所述的技术。为了说明,即使没有(尚没有)传感器数据可用时,仍可使用历史数据存储库(包括传感器数据以及针对类似资产、优选地针对具有与执行预后资产健康分析所针对的资产相同类型的资产捕获的故障信息)来对资产计算剩余使用寿命(RUL)曲线或其他预后资产健康预测。
图3是可以在根据实施例的方法和计算***中使用的马尔可夫链模型的图。马尔可夫链模型的状态空间由一组n个状态S1、…、Sn构成。在当前情况下,n=4。然而,可以替代地使用具有不同数量的状态(例如,n=3或n=5或n>5)的状态空间。
状态空间的状态可以以如下方式排序:资产健康劣化的严重程度从S1上升到S2、从S2上升到S3、等等。即,除了马尔可夫链模型的最后状态外所有其他状态都可以由表示更严重劣化的另一状态跟随。马尔可夫链模型的最后状态可以表示最严重劣化。
可以以如下方式建立马尔可夫链模型:第一状态、第二状态、…第n-1状态41-43具有到状态空间的仅一个其他状态的非零转移概率p12、p23、p34。第n状态44不具有到其自身以外的状态的非零转移概率。
为了说明,马尔可夫链模型可以使得从第一状态41到第二状态42具有有限转移概率p12,而从第二状态42回到第一状态41具有零转移概率。在随机模拟的迭代中维持第一状态41具有概率1-p12。
马尔可夫链模型可以使得从第二状态42到第三状态43具有有限转移概率p23,而从第三状态43回到第二状态42具有零转移概率。在随机模拟的迭代中维持第二状态42具有概率1-p23。
马尔可夫链模型可以使得从第三状态43到第四状态44具有有限转移概率p34,而从第四状态44回到第三状态43具有零转移概率。在随机模拟的迭代中维持第三状态43具有概率1-p34。
马尔可夫链模型的最终状态44可以与其中资产已故障到不能再操作的程度的状态对应。
状态空间的其他状态41-43可以对应于不同的劣化程度。
为了说明,第一状态41(其也可以称为“未知”状态S1)可以与其中不存在将影响资产操作的已知劣化的资产状态对应。为了说明,第一状态41可以与其中没有故障被记录或其中没有故障可供记录的状态对应。
第二状态42(其也可以称为“初期”状态S2)可以对应于可检测故障,该可检测故障具有很小的严重性以使得它们不会立即影响资产的性能。这种初期故障通常表征为较短的平均维修时间(MTTR)、较低的维修成本以及对整体性能的较小影响。如果维护不当,初期故障可能会演变成更严重劣化的故障。
第三状态43(其也可以称为“劣化”状态S3)可以与描述显著降低***性能但不会导致资产立即停机的故障的模式对应。通常,这种故障是由部件损坏引起的。如果不加以处理,劣化将最终导致临界故障。
第四状态44(其也可以称为“临界”状态S4)可以对应于最严重故障模式,其导致资产的立即且完全停机。其通常表征为较长且高成本(由于完全生产损失)的MTTR。
马尔可夫链模型的转移概率可以经由用户界面从人类专家处接收或者可以使用历史数据来确定,如以下将描述的。可以使用不同组转移概率p12、p23、p34。为了说明,可以将N>1、特别是N>2个不同组转移概率p12、p23、p34用于模拟资产健康状态在不同环境和/或操作条件下的演变。
图4是根据实施例的方法50的流程图。方法50可以由本地控制器21-23、中央***20和/或远程服务器***24中的一个或多个IC自动执行。
在步骤51,执行MCMC模拟或马尔可夫链模型的其他随机模拟。步骤51可以包括执行超过100、超过1000、超过2000、超过5000个模拟、超过10000个模拟、超过50000个模拟、超过100000个模拟、超过500000个模拟、或一百万或更多个模拟。随着计算能力的提高,模拟数量没有上限。可以并行执行这些模拟。
尽管可以对马尔可夫链模型的任何一组转移概率p12、p23、p34执行大量模拟(例如,超过100或超过1000),但是转移概率无需对所有模拟都相同。不同组转移概率p12、p23、p34可用于定量评估不同操作条件和/或环境条件的影响。
可以在一定的时间范围内执行模拟。时间范围可以根据特定资产。对于诸如变压器的电力***资产,典型的使用寿命超过10年、超过20年、或者甚至更长。因此,可以在超过10年、超过20年或者甚至更长的时间范围内执行随机模拟。时间范围也可以根据资产而更短。为了说明,预后时间范围可以是1周或更长时间、1个月或更长时间等。预后时间范围可以在多个周期中测量并且可以包括多个周期,例如,一定数量的飞行周期、船舶路线周期、火车路线周期等。
可以根据有关资产的可用信息来选择模拟的初始状态。如果有关资产的信息没有可用的,则可以全部从其中不具有有关可检测故障的信息的第一状态41开始模拟。如果有关资产的信息可用(例如在安装后收集的传感器数据),则该传感器数据可用于初始化模拟。可以根据已收集的传感器数据是否表明不存在影响资产性能的可识别故障或者是否存在影响资产性能的可检测问题来选择用于各种MCMC或其他随机模拟的初始状态分布。
此外,初始化可以是概率性的。为了说明,如果可用信息不确定资产是处于状态41还是状态42(其中,处于这两个状态中的任一状态的机会均等),则可以使用贝叶斯先验分布(Bayesian prior distribution)对***进行初始化,使得资产处于状态41的概率等于50%并且资产处于状态42的概率等于50%。具有更多状态和不同概率的其他概率性初始化也是可行的。
在步骤52,对随机模拟的结果进行处理。这可以包括计算作为时间范围内的时间的函数、马尔可夫链模型已经演变为与无法操作的资产对应的临界状态的概率。步骤53处的处理可以包括计算健康指数的时间演变,该健康指数对于预后时间范围内的任何时间均根据马尔可夫链模型待处于马尔可夫链模型的第一状态、第二状态、…第n状态41-44的概率。该处理可以包括将RUL曲线或指示资产故障概率的另一输出计算为操作时间的函数。
在步骤53,可以生成输出。输出可以包括有关作为时间的函数的资产剩余使用寿命的信息。输出可以包括有关作为时间的函数的资产故障概率的信息。输出可以包括通过进一步处理模拟结果而获取的控制和/或输出数据,例如对资产进行检查、维护或更换工作的安排。
图5是可以被自动生成并且输出的输出60的示意图。输出60可以指示马尔可夫链模型已经演变为与无法操作的资产对应的临界状态的概率。对于时间范围内的多个时间中的每个时间,可以通过计算其中马尔可夫链模型处于状态空间的临界状态S4的模拟分数来确定输出60。
可以生成额外的或替代的输出。为了说明,RUL曲线或指示资产劣化的其他信息可以被处理为自动安排检查、维护或更换工作、将安排信息输出至操作员和/或自动安排停机时间。
替代或附加地,可以使用阈值比较或其他触发器来处理RUL曲线或指示资产劣化的其他信息以确定是否以及何时向操作员输出警报、警告或其他信号。
图6示出了马尔可夫链模型的状态空间的各种状态S1-S4的总体的随机分布61-64。分布61与其中大多数马尔可夫链模型模拟仍处于状态S1中的第一时间对应,状态S1与不具有可检测劣化的资产对应。分布62、63与其中状态S2和S3已经变得更加密集的随后第二时间和第三时间对应,状态S2和S3对应于初期或更严重劣化。分布64与临界状态S4(其中,临界状态S4对应于资产停机)最密集的更晚的第四时间对应,从而反映出到那时资产更可能处于无法操作的状态,而不是处于可操作的状态。
虽然可以根据资产待处于临界状态S4(其是马尔可夫链模型的最终状态)的概率而获取相关的预后资产健康预测,但是由随机模拟的结果所处理成的输出可以根据如由随机模拟确定的马尔可夫链模型待处于相应的第一状态、第二状态、…第n状态的所有概率p1、p2、…、pn。
为了说明,对于在执行随机模拟的时间范围内的任何时间j,可以计算标量函数d(j)=∑i=1,...,npi(j)×mi (1),
其中,pi(j)表示如由随机模拟确定的在时间j处的马尔可夫链模型待处于第i状态的概率,并且其中,mi表示为状态标签i的单调函数、特别是严格单调函数的标量值。为了说明,所有mi可以从区间选择,使得m1≤m2≤…≤mn,特别是使得m1<m2<…<mn。
即使导致RUL降低的劣化尚未导致资产到达临界状态S4,通过输出函数d(j)或从函数d(j)得出的信息,该劣化也可以被更充分地反映。
函数d(j)指示劣化,并且当d(j)被限制为取值介于0和1之间时,函数d(j)可以通过h(j)=1-d(j)与健康指数h(j)相关。
图7示出了曲线80的输出,该曲线指示如由随机模拟确定的作为时间的函数的资产劣化。曲线80可以根据如由随机模拟确定的马尔可夫链模型待处于相应第一状态、第二状态、…第n状态的所有概率p1、p2、…、pn的时间演变。
马尔可夫链模型的各种状态可以与多个区间71-74相关联。为了说明,对于区间71内的健康指数h,可以确定资产处于其中不存在已知劣化的状态S1。对于区间72内的健康指数h,可以确定资产处于其中不存在不影响性能的初期劣化的状态S2。对于区间73内的健康指数h,可以确定资产处于其中存在影响性能但不会导致资产立即停机的更严重劣化的状态S3。对于区间74内的健康指数h,可以确定该资产处于其中状态处于临界而导致资产立即停机的状态S4。
阈值TH1、...THn-1可以定义区间71-74的上下边界。在初始化资产的随机模拟时,可以使用与阈值TH1、…THn-1的比较。为了说明,可以将资产的可用的传感器数据处理为表示资产的健康指数h或劣化指数d=1-h的标量,并且然后可以将该标量与阈值TH1、…THn-1进行比较以确定如何初始化模拟。
通过执行随机模拟(例如MCMC),不仅可以自动确定并输出资产健康状态的演变,而且还可以自动确定并输出与确定的演变相关联的可靠性。
有关可靠性的信息可以采取各种形式。为了说明,可以将曲线60、80周围的置信区间的演变确定为预后时间范围内的时间的函数。对于预后时间范围的任何时间j,置信区间的时间演变可以指示临界故障概率60或健康指数h的下边界和上边界。上边界和下边界可以确定为使得至少一定百分比(例如,至少70%、80%、90%或95%)的随机模拟产生处于上边界和下边界之间的范围内的临界故障概率60或健康指数h。指示置信区间的时间演变的示例性上边界81和下边界82在图7中示出。
替代或附加地,上边界81和下边界82可以反映资产可能经受的操作和/或环境条件的变化。为了说明,曲线80、81以及82可各自通过使用如参考图3解释的但是具有不同组转移概率的马尔可夫链模型执行多个随机模拟来获取。
图8A和图8B示出了根据随机模拟确定的健康指数80的时间演变以及指示置信区间的时间演变的上边界81和下边界82。曲线80-82已使用根据具有相关联的故障特征的历史传感器数据来确定的转移概率通过MCMC而获取,从而允许在历史传感器数据中待识别的状态S1-S4之间的转移。
曲线84、86表示观察到的具有相同资产类型的资产的实际劣化,但未包括在用于确定马尔可夫链模型的转移概率的历史数据中。劣化被表示为连续函数的演变,该连续函数是劣化指数。马尔可夫链模型的不同状态可以与劣化指数函数的各个范围相关联。
预后资产健康分析结果80-82是随机结果。虽然资产84、86的实际状态也可能与由曲线80和/或置信区间演变81、82所预测的不同地演变,但是预后资产健康分析结果80-82可靠地指示资产劣化在大量随机资产样本上所确定的演变。
图9是根据实施例的方法90的流程图。方法90可以由本地控制器21-23、中央***20和/或远程服务器***24自动执行。在一种实现中,该方法的步骤91-92可以由中央***或远程服务器***24执行,而步骤93-94可以由本地控制器21-23执行。在其他变型中,步骤91-94可以以其他方式分布在处理***的多个IC上。
在步骤91,接收传感器数据。传感器数据可以是具有与待执行预后资产健康分析所针对的一个或多个资产相同资产类型(例如,具有特定额定功率范围的光伏面板、具有特定额定功率范围的风力涡轮发电机、具有处于特定区间的额定值的变压器)的资产的历史传感器数据。
传感器数据可以与持续时间超过预后时间范围的时间段相关联。
传感器数据可以是经标记的传感器数据,其包括有关状态、例如有关状态S1-Sn的信息。为了说明,对于任何一组传感器数据,可以存在将传感器数据与马尔可夫链模型的状态S1、…、Sn中的一个状态相关联的信息。
如果传感器数据不包括故障特征,则步骤91可以包括经由用户界面接收来自人类专家的信息,该人类专家将传感器数据分配给马尔可夫链模型的状态S1、…、Sn。
如果传感器数据不包括故障特征,则步骤91可以包括根据传感器数据计算标量函数(该标量函数表示群中相应的资产的劣化或健康指数)、以及将标量函数与一个或多个阈值(例如图7中的阈值TH1-TH3)进行比较以基于传感器数据确定已经发生S1、…、Sn之间转移的时间。
可以根据传感器测量使用启发式方法计算标量函数。
标量函数可以将在不同时间捕获的传感器测量作为输入并且可以将这些传感器测量处理成表示观察到的资产健康演变的标量函数,如由健康指数h或劣化指数d所反映的。
可以使用各种技术来计算用于识别离散状态之间的转移的标量函数。为了说明,可以将传感器测量与操作值范围进行比较。对于超出范围的每个传感器测量,可以受到惩罚。可以使用加权求和或将用于传感器测量的加权因子与根据传感器测量与正常操作值范围的偏差的值的各乘积进行组合的其他处理。加权因子根据相应的传感器并指示测量对于资产健康的重要性。
提供将传感器测量映射到各种资产的连续健康或劣化函数的工具是已知的,包括但不限于断路器、电池(例如锂离子电池)或变压器。为了说明,诸如椭圆APM或RelCare工具的工具处理传感器测量以提供具有连续范围内的值并指示资产健康的函数。归一化可用于将健康或劣化函数归一化到期望的范围(例如从0到1)。
本文公开的技术允许使用可选的归一化和阈值比较而将任何健康或劣化函数映射到状态模型的离散状态。
在步骤92,可以确定马尔可夫链模型的转移概率。转移概率可以根据传感器数据和相关联的状态标签自动确定。
在示例性实施方式中,可以基于条件概率来确定转移概率。为了说明,可以将在时间j处从第i状态到第i+1状态(其中1≤i≤n-1)的转移概率确定为:
pi→i+1(j)=#(xj+1=Si+1∧xj=Si)/#(xj=Si). (2)
在等式(2)中,分子表示在时间j处处于第i状态并且在时间j+1处转移为第(i+1)状态的资产的数量。分母表示在时间j处于第i状态的资产的数量。
可以基于用户输入来设置和/或调整转移概率。可以执行平均或其他处理以获取同质的马尔可夫链模型的概率。
当传感器数据可用于具有相同资产类型(例如,具有特定额定功率范围的光伏面板、具有特定额定功率范围的风力涡轮发电机、具有处于特定区间的额定值的变压器)但经受不同操作条件和/或环境条件的不同群组资产时,可以为每个群组独立地确定转移概率。
在步骤93,转移概率可以用于执行RUL计算或以其他方式确定一个或多个资产的劣化的时间演变。这可以涉及MCMC模拟,然后处理MCMC模拟的结果来确定RUL曲线或用于一个或多个资产的时间相关的劣化的其他指标。
步骤93可以包括:在资产的操作期间,接收针对资产捕获的传感器数据;以及当传感器数据变得可用时,基于传感器数据来适配RUL计算。这可以包括当传感器数据变得可用时,基于传感器数据来更新MCMC模拟。
在步骤94,可以基于RUL计算或其他预后资产健康分析的结果来自动执行控制和/或输出操作。
为了说明,可以输出RUL曲线。可以同时输出有关置信区间或方差的时间演变的信息。
替代或附加地,资产的操作点可以由与资产相关联的本地控制器21-23自动调节。
替代或附加地,可以自动安排检查、维护和/或更换工作。
替代或附加地,可以自动安排检查、维护和/或更换工作的停机时间。
替代或附加地,根据RUL曲线或其他预后资产健康状态演变,可以生成警报、警告或其他输出以经由HMI输出。
图10是计算***100的示意图。计算***100可以包括一个或多个IC 103。一个或多个IC可以包括专用集成电路(ASIC)、处理器、控制器、现场可编程门阵列(FGPA)、或多个此类集成电路的组合。
一个或多个IC 103可以驻留在中央***20、本地控制器21-23中的一个、服务器***24中,或者可以分布在这些实体上。
一个或多个IC 103可以可操作为执行随机模拟引擎104以使用马尔可夫链模型来模拟资产的未来演变。随机模拟引擎104可以适于执行MCMC模拟。
用于由随机模拟引擎104使用的马尔可夫链模型的转移概率可以经由接口101接收(例如,当一个或多个IC 103驻留在本地控制器21-23中的一个中并且中央***20计算转移概率时)。转移概率可以由一个或多个IC 103基于具有与待执行预后资产健康分析所针对的资产相同的资产类型的资产群的历史传感器数据来计算。历史传感器数据可以经由接口101接收或者可以本地存储在数据存储装置102中。
一个或多个IC 103可以可操作为实施预测引擎105。预测引擎105可以基于由随机模拟引擎104执行的模拟结果来计算RUL曲线或与资产健康状态演变相关联的其他预后信息。
一个或多个IC 103可以可操作为实施输出引擎106。输出引擎106可以生成输出数据或输出信号以用于控制HMI和/或实现对资产或其中资产正被使用的***的控制操作。为了说明,输出引擎106可以可操作为生成数据并将数据输出到HMI,使得输出RUL曲线。输出引擎106可以可操作为生成数据并将数据输出到HMI,使得可以同时输出有关置信区间或方差的时间演变的信息。
替代或附加地,输出引擎106可以可操作为响应于预测引擎105的输出来自动地调节资产的操作点。
替代或附加地,输出引擎106可以可操作为自动生成并输出有关检查、维护和/或更换工作的信息。
替代或附加地,输出引擎106可以可操作为自动生成并输出有关可以自动安排的检查、维护和/或更换工作的停机时间的信息。
替代或附加地,根据RUL曲线或其他预后资产健康状态演变,输出引擎106可以可操作为自动生成警报、警告或可以生成的其他输出,以用于经由HMI输出。
各种效果和优点与本发明相关联。通过使用具有可以由相当少量状态(例如,三个或四个状态)构成的状态空间的马尔可夫链模型,执行该方法需要各状态之间的仅仅少量的转移概率。RUL曲线或其他预后资产健康信息可以被有效率地确定。不仅可以为预期RUL曲线提供定量信息,而且可以为其置信区间提供定量信息。精度和/或方差信息可以被量化并输出。
根据本发明的方法和***可以与电力***资产(例如发电、配电和/或输电***的资产或工业***的资产)相关联地使用,但不限于此。
尽管已经在附图和前面的描述中详细描述了本发明,但是这种描述应被认为是说明性或示例性的而不是限制性的。通过研究附图、公开内容和所附权利要求,本领域技术人员和实践要求保护的发明的技术人员可以理解和实现所公开的实施例的变型。在权利要求中,词语“包括”不排除其他元件或步骤,并且不定冠词“一”或“一个”不排除多个。在不同的权利要求中记载某些元件或步骤的仅有事实并不表示不能利用这些元件或步骤的组合来获得优点,特别是,除了实际的权利要求从属关系外,任何进一步有意义的权利要求组合都应视为已公开。
Claims (18)
1.一种对资产(11-13;16-18)执行预后健康分析、特别是用于确定电力***资产或工业资产的剩余使用寿命RUL或故障概率PoF的方法,所述方法包括以下步骤:
使用离散马尔可夫链模型的转移概率执行多个独立的随机模拟,
其中,所述离散马尔可夫链模型具有包括一组资产健康状态(41-44)的状态空间,
其中,所述多个独立的随机模拟中的每个独立的随机模拟模拟在预后范围内所述离散马尔可夫链模型的状态空间的未来演变,并且
根据所述多个独立的随机模拟计算在所述预后范围内的预后资产健康状态演变(60;80);以及
基于所计算的预后资产健康状态演变生成输出。
2.根据权利要求1所述的方法,其中,所述资产健康状态(41-44)之间的不同组转移概率用于模拟并行运行的所述多个独立的随机模拟,所述不同组转移概率与不同操作条件和/或环境条件相关联。
3.根据权利要求1或2所述的方法,其中,计算所述预后资产健康状态演变包括计算RUL(60;80)。
4.根据前述权利要求中任一项所述的方法,还包括:根据所述多个独立的随机模拟计算作为所述预后范围内的时间的函数的所述预后资产健康状态演变的置信信息或方差信息(81,82),其中,还基于所述置信信息或所述方差信息(81,82)生成所述输出。
5.根据权利要求4所述的方法,其中,所述置信信息包括置信区间在所述预后范围内的未来演变,或者其中,所述方差信息包括方差在所述预后范围内的未来演变。
6.根据权利要求4或权利要求5所述的方法,其中,所述置信信息或所述方差信息包括下边界的时间演变以及上边界的时间演变,所述下边界与第一组转移概率相关联并且所述上边界与不同于所述第一组转移概率的第二组转移概率相关联。
7.根据前述权利要求中任一项所述的方法,其中,所述状态空间包括:
其中所述资产的操作不受故障的不利影响的至少一个状态(41);
其中所述资产的操作受故障的不利影响但所述资产继续操作的至少一个状态(42、43);
其中所述资产由于故障而无法操作的状态(44)。
8.根据前述权利要求中任一项所述的方法,其中,计算所述预后资产健康状态演变包括:针对所述预测范围内的多个时间,计算所述状态空间中的概率分布(61-64)并将所述概率分布映射至标量,可选地其中,所述预后资产健康状态演变被获取为所述标量的时间演变。
9.根据前述权利要求中任一项所述的方法,还包括:根据包括用于多个资产的传感器数据的历史数据确定所述转移概率;
可选地其中,确定所述转移概率包括:
根据用于所述多个资产的传感器数据计算时间相关的标量函数,
基于所述时间相关的标量函数识别所述马尔可夫链模型的状态空间内的转移,以及
基于所述马尔可夫链模型的状态空间内的转移计算所述转移概率;
还可选地其中,确定步骤包括将所述标量函数与一个或多个阈值进行比较。
10.根据前述权利要求中任一项所述的方法,其中,所述多个独立的随机模拟是马尔可夫链蒙特卡洛MCMC模拟。
11.根据前述权利要求中任一项所述的方法,其中,所述马尔可夫链是同质的,并且其中,所述状态空间的每个状态(41-44)具有到所述状态空间的至多一个其他状态的非零转移概率。
12.根据前述权利要求中任一项所述的方法,还包括:
接收在所述资产的操作期间捕获的传感器测量数据;以及
基于接收到的传感器测量数据更新所述预后资产健康状态演变。
13.根据前述权利要求中任一项所述的方法,其中,所述多个模拟包括针对不同环境和/或操作场景的模拟。
14.根据前述权利要求中任一项所述的方法,其中,
所述资产是电力变压器、分布式能源DER单元或电力发电机;和/或
所述预后范围是1年或更长时间、2年或更长时间、3年或更长时间、4年或更长时间、5年或更长时间、10年或更长时间、15年或更长时间或者20年或更长时间。
15.一种操作和/或维护资产(11-13;16-18)、特别是电力***资产或工业资产的方法,所述方法包括:
使用根据前述权利要求中任一项所述的方法对所述资产执行预后资产健康分析;以及
自动执行以下中的至少一项:基于所计算的预后资产健康状态演变生成警报或警告;基于所计算的预后资产健康状态演变生成用于控制所述资产的操作的控制信号;基于所计算的预后资产健康状态演变安排所述资产的停机时间;基于所计算的预后资产健康状态演变安排维护工作;基于所计算的预后资产健康状态演变安排更换工作;基于所计算的预后资产健康状态演变更改维护间隔。
16.一种计算***(20-24;100),所计算***能够操作为对资产(11-13;16-18)执行预后健康分析,特别是用于确定电力***资产或工业资产的剩余使用寿命RUL或故障概率PoF,所述计算***包括至少一个集成电路,所述至少一个集成电路能够操作为:
使用离散马尔可夫链模型的转移概率执行多个独立的随机模拟,
其中,所述离散马尔可夫链模型具有包括一组资产健康状态(41-44)的状态空间,
其中,所述多个独立的随机模拟中的每个独立的随机模拟模拟在预后范围内所述离散马尔可夫链模型的状态空间的未来演变,并且
根据所述多个独立的随机模拟计算在所述预测范围内的预后资产健康状态演变;以及
基于所计算的预后资产健康状态演变控制输出的生成。
17.根据权利要求16所述的计算***,其中,所述至少一个集成电路能够操作为:使用离散马尔可夫链模型的转移概率来执行多个独立的随机模拟,其中,所述资产健康状态(41-44)之间的不同组转移概率用于模拟并行运行的所述多个独立的随机模拟,所述不同组转移概率与不同操作条件和/或环境条件相关联。
18.一种工业或电力***(10;15),包括:
资产(11-13;16-18);以及
根据权利要求16或17中的一项所述的计算***(20-24;100),所述计算***用于对所述资产(11-13;16-18)执行预后资产健康分析,可选地其中,所述计算***是所述工业或电力***的用于控制所述资产的分散式控制器。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP20178839.5A EP3923101A1 (en) | 2020-06-08 | 2020-06-08 | Method and computing system for performing a prognostic health analysis for an asset |
EP20178839.5 | 2020-06-08 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114091798A true CN114091798A (zh) | 2022-02-25 |
Family
ID=71078429
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110625290.9A Pending CN114091798A (zh) | 2020-06-08 | 2021-06-04 | 对资产执行预后健康分析的方法和计算*** |
Country Status (4)
Country | Link |
---|---|
US (2) | US11796992B2 (zh) |
EP (1) | EP3923101A1 (zh) |
JP (1) | JP2021193557A (zh) |
CN (1) | CN114091798A (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11874652B2 (en) * | 2021-10-07 | 2024-01-16 | Noodle Analytics, Inc. | Artificial intelligence (AI) based anomaly signatures warning recommendation system and method |
US20230278463A1 (en) * | 2022-03-04 | 2023-09-07 | Garrett Transportation I Inc. | Using battery system parameters to estimate battery life expectancy within electric and hybrid electric vehicles |
CN114793019B (zh) * | 2022-05-31 | 2023-03-24 | 南京国电南思科技发展股份有限公司 | 基于大数据分析的二次设备可视化监管*** |
EP4354344A1 (en) * | 2022-10-13 | 2024-04-17 | Hitachi Energy Ltd | Adaptive functional neural layer and network |
EP4404407A1 (en) | 2023-01-20 | 2024-07-24 | Hitachi Energy Ltd | Data processing system and data processing method for a substation system, and electric power system substation |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9551633B2 (en) * | 2013-10-15 | 2017-01-24 | General Electric Company | Systems and methods for improved reliability operations |
WO2016026681A1 (en) * | 2014-08-20 | 2016-02-25 | Cassantec Ag | Configuration of malfunction prediction for components and units of technical entities |
WO2016026680A1 (en) | 2014-08-20 | 2016-02-25 | Cassantec Ag | Malfunction prediction for components and units of technical entities |
TWI578262B (zh) * | 2015-08-07 | 2017-04-11 | 緯創資通股份有限公司 | 風險評估系統及資料處理方法 |
US20180225585A1 (en) * | 2017-02-08 | 2018-08-09 | Board Of Regents, The University Of Texas System | Systems and methods for prediction of occupancy in buildings |
US11582399B2 (en) * | 2018-03-09 | 2023-02-14 | Northwestern University | Adaptive sampling for structured light scanning |
US11712182B2 (en) * | 2019-12-16 | 2023-08-01 | Dexcom, Inc. | Multi-state engagement with continuous glucose monitoring systems |
-
2020
- 2020-06-08 EP EP20178839.5A patent/EP3923101A1/en active Pending
-
2021
- 2021-05-31 JP JP2021091551A patent/JP2021193557A/ja active Pending
- 2021-06-04 CN CN202110625290.9A patent/CN114091798A/zh active Pending
- 2021-06-08 US US17/342,178 patent/US11796992B2/en active Active
-
2023
- 2023-09-19 US US18/470,157 patent/US20240012407A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US11796992B2 (en) | 2023-10-24 |
EP3923101A1 (en) | 2021-12-15 |
JP2021193557A (ja) | 2021-12-23 |
US20240012407A1 (en) | 2024-01-11 |
US20210382473A1 (en) | 2021-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114091798A (zh) | 对资产执行预后健康分析的方法和计算*** | |
US10521490B2 (en) | Equipment maintenance management system and equipment maintenance management method | |
Wang et al. | A multi-objective optimization of imperfect preventive maintenance policy for dependent competing risk systems with hidden failure | |
JP7320368B2 (ja) | 故障予測装置、故障予測方法およびコンピュータプログラム | |
CN110197288B (zh) | 故障影响下设备的剩余使用寿命预测方法 | |
US8676727B2 (en) | Abnormality diagnosis filter generator | |
Zaidan et al. | Prognostics of gas turbine engine: An integrated approach | |
Salfner et al. | Predicting failures of computer systems: A case study for a telecommunication system | |
US9141915B2 (en) | Method and apparatus for deriving diagnostic data about a technical system | |
JP7297816B2 (ja) | 資産の予測健全性解析を実行するための方法およびコンピューティングシステム | |
JP2009098147A (ja) | Dcモータシステムの信頼性を判定する方法及びシステム | |
JP2019204458A (ja) | 電力需要予測システム、学習装置及び電力需要予測方法 | |
WO2021005943A1 (ja) | 故障確率評価システムおよびその方法 | |
JP5413240B2 (ja) | イベント予測システムおよびイベント予測方法、ならびにコンピュータ・プログラム | |
JP2021193557A5 (zh) | ||
US20230221694A1 (en) | Method and computing system for performing a prognostic health analysis for an asset | |
CN106779443B (zh) | 电力调度中的操作风险确定方法和装置 | |
TAng et al. | Dynamic condition-based maintenance policy for degrading systems described by a random-coefficient autoregressive model: A comparative study | |
JP6919705B2 (ja) | 劣化予測装置、劣化予測方法、及びプログラム | |
Wang et al. | Maintenance decision based on data fusion of aero engines | |
Eker et al. | State-based prognostics with state duration information of cracks in structures | |
Nwadinobi et al. | Improved Markov stable state simulation for maintenance planning | |
CN109146341A (zh) | 一种基于抽样的冷备***剩余寿命预测方法 | |
US20230315940A1 (en) | Method and system for monitoring and/or operating a power system asset | |
Shahraki | Predictive Reliability Analysis and Maintenance Planning of Complex Systems Working Under Dynamic Operating Conditions |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20240115 Address after: Zurich, SUI Applicant after: Hitachi Energy Co.,Ltd. Address before: Swiss Baden Applicant before: Hitachi energy Switzerland AG |
|
TA01 | Transfer of patent application right |