CN115699045A - 用于执行资产的预测健康分析的方法和计算*** - Google Patents
用于执行资产的预测健康分析的方法和计算*** Download PDFInfo
- Publication number
- CN115699045A CN115699045A CN202180041084.1A CN202180041084A CN115699045A CN 115699045 A CN115699045 A CN 115699045A CN 202180041084 A CN202180041084 A CN 202180041084A CN 115699045 A CN115699045 A CN 115699045A
- Authority
- CN
- China
- Prior art keywords
- asset
- agents
- agent
- assets
- transition probabilities
- 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 90
- 238000004458 analytical method Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims description 77
- 230000007704 transition Effects 0.000 claims abstract description 218
- 238000002948 stochastic simulation Methods 0.000 claims abstract description 85
- 238000006731 degradation reaction Methods 0.000 claims abstract description 65
- 230000015556 catabolic process Effects 0.000 claims abstract description 61
- 238000005259 measurement Methods 0.000 claims description 62
- 239000011159 matrix material Substances 0.000 claims description 55
- 238000004088 simulation Methods 0.000 claims description 38
- 238000004891 communication Methods 0.000 claims description 26
- 230000003862 health status Effects 0.000 claims description 19
- 230000002411 adverse Effects 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 6
- 239000003795 chemical substances by application Substances 0.000 description 235
- 230000006870 function Effects 0.000 description 42
- 230000009466 transformation Effects 0.000 description 30
- 238000010586 diagram Methods 0.000 description 20
- 238000012423 maintenance Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 16
- 238000007689 inspection Methods 0.000 description 14
- 230000004044 response Effects 0.000 description 12
- 238000009826 distribution Methods 0.000 description 11
- 239000012530 fluid Substances 0.000 description 8
- 230000002123 temporal effect Effects 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- YLQBMQCUIZJEEH-UHFFFAOYSA-N Furan Chemical compound C=1C=COC=1 YLQBMQCUIZJEEH-UHFFFAOYSA-N 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000005461 lubrication Methods 0.000 description 4
- 230000036962 time dependent Effects 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 239000012809 cooling fluid Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000002604 ultrasonography Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 239000000314 lubricant 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
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- WCVXAYSKMJJPLO-UHFFFAOYSA-N furan Chemical compound C=1C=COC=1.C=1C=COC=1 WCVXAYSKMJJPLO-UHFFFAOYSA-N 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 239000004519 grease Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000002706 hydrostatic effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005297 material degradation process Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000035882 stress 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0428—Safety, monitoring
-
- 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
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2639—Energy management, use maximum of cheap power, keep peak load low
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Automation & Control Theory (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
为了对资产(11‑13)执行预测健康分析,执行随机模拟。用于在随机模拟中使用的离散状态模型(41‑44)的状态之间的转换的转换概率随着关于资产劣化的信息变得可用而被更新。
Description
技术领域
本发明涉及用于评估资产的健康的技术。本发明特别地涉及用于资产健康的预测评估的方法和设备。
背景技术
诸如发电、输电和/或配电***的电力***和工业***包括资产。变压器、发电机和分布式能源(DER)装置就是这种资产的示例。资产在操作期间会劣化。出于计划目的、调度维护或更换工作,期望估计资产的剩余使用寿命(RUL)。
模拟技术可以用于模拟资产的时间演变。这种模拟技术的参数可以基于针对一队资产捕获的历史传感器数据。这些模拟为资产的整体统计演变提供了很好的图像。当运行大量相同或相似的资产时,关于资产的劣化过程的新信息可能是有价值的信息来源。在评估资产的健康时,期望使用在一组资产的操作期间变得可用的信息。
US7788205B2公开了采用预测复杂***中的组件的状态转换的概率的随机模型的技术。该模型使用***运行时的输出观察来训练。通过分析当前组件状态在可能状态之间的分布,可以确定***在运行时的整体状态和健康。
Sang-ri Yi等人的"Particle Filter Based Monitoring and PredictionofSpatiotemporal Corrosion Using Successive Measurements of StructuralResponses",SENSORS,vol.18,no.11,13November 2018(2018-11-13),page 3909公开了用于预测钢筋的劣化的技术。
X.Si等人的"A General Stochastic Degradation Modeling Approach forPrognostics of Degrading Systems With Surviving and Uncertain Measurements",IEEE TRANSACTIONS ON RELIABILITY,IEEE SERVICE CENTER,PISCATAWAY,NJ,US,vol.68,no.3,1September 2019,pages 1080-1100公开了一种用于估计剩余使用寿命(RUL)的技术。基于期望最大化算法以及粒子滤波和平滑化方法,提供最大似然估计框架来确定模型参数。
J.Z.Sikorska等人的"Prognostic modelling options for remaining usefullife estimation by industry",MECHANICAL SYSTEMS AND SIGNAL PROCESSING,vol.25,no.5,1July 2011,pages 1803-1836讨论了主要预测模型类别的优势和劣势。
发明内容
需要预测资产劣化的演变的提高的技术。特别地需要允许对资产的健康的劣化进行预测,同时允许当可从一组资产中获得新信息时调节预测的技术。替代地或附加地,需要可以组合针对一组资产中的若干资产所获取的关于劣化过程的附加信息,同时允许使用分散式***来执行健康评估的技术。
根据本发明的实施例,提供了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,一组多个代理用于执行预测资产健康分析。多个代理中的每一个与一组资产中的一个资产相关联,并且可操作用于对与该代理相关联的资产执行预测健康分析。
每个代理可以执行随机模拟,特别是马尔可夫链蒙特卡洛(MCMC)方法,以获得与相应代理相关联的资产的演变的预测。可以使用离散状态空间和转换概率来执行随机模拟。
在新的信息变得可用时,每个代理可以操作用于更新用于其各自模拟的转换概率。这可以以各种方式来完成。作为说明,代理可以接收指示资产的劣化的传感器数据,代理针对该数据确定资产健康状态的未来演变的预测。基于传感器数据,代理可以确定经更新的转换概率,以供将来在随机模拟中使用。
替代地或附加地,代理可以基于所观察到的一个或多个其它资产的劣化,接收由该组中的其它代理确定的经更新的转换概率和/或经更新的贝叶斯概率表的信息。基于所接收的由该组中的其它代理确定的关于经更新的转换概率和/或经更新的贝叶斯概率表的信息,代理可以确定将来在随机模拟中使用的经更新的转换概率。
替代地或附加地,代理可以基于所观察到的一个或多个其它资产的劣化,接收由中央模块确定的关于经更新的转换概率和/或经更新的贝叶斯概率表的信息。基于所接收的由中央模块确定的关于经更新的转换概率和/或经更新的贝叶斯概率表的信息,代理可以确定将来在随机模拟中使用的经更新的转换概率。
根据实施例,提供了一种对资产执行预测健康分析的方法。该资产包括在与一组代理相关联的一组多个资产中。代理中的每一个为该一组资产中的相关联的资产执行预测健康分析。该方法包括由该一组代理中的代理通过执行随机模拟来确定对该一组资产中的资产的资产健康状态的未来演变的预测,随机模拟使用用于离散状态模型的状态之间的转换的转换概率来执行。该方法包括由代理接收观察信息,该观察信息是所观察到的该一组资产中的至少一个资产的劣化的函数。该方法包括由代理更新预测,包括基于所接收的观察信息更新转换概率。该方法包括基于随机模拟的结果生成输出。
代理可以在与其它代理更新由其它代理使用的转换概率的时间独立的时间更新转换概率,以执行随机模拟。
更新转换概率可以由观察信息的接收来触发。
更新转换概率可以是事件驱动过程。
可以经由通信通道从另一代理和/或从中央模块接收观察信息。
通信通道可以仅在通信时间间隔中间歇性地建立。
可以在建立通信通道的通信时间间隔中的一个中接收观察信息。
通信时间间隔可以是预定时间间隔。
该方法还可以包括由一组代理中的第二代理通过执行第二随机模拟来确定对该一组资产中的第二资产的资产健康状态的未来演变的第二预测,该随机模拟使用用于离散状态模型的状态之间的转换的第二转换概率来执行。
代理和第二代理可以使用相同的离散状态模型。
该方法可以包括由第二代理更新第二预测,包括更新第二转换概率。
代理可以以异步方式与该一组代理中的其它代理共享关于经更新的转换概率的信息。
观察信息可以是针对与该代理相关联的资产获得的传感器测量的函数。
传感器测量可以包括一个或多个工业资产条件参数的测量,诸如电力***资产条件参数的测量。
传感器测量可以包括一个或多个工业资产操作参数的测量,诸如电力***资产操作参数的测量。
传感器测量可以包括一个或多个工业资产操作参数的测量,诸如电力***资产操作参数的测量。
传感器测量可以包括以下中的一个、多个或全部的测量:
-温度参数;
-振动参数;
-声音和/或超声波参数;
-润滑参数;
-速度参数;
-流动参数;
-压力参数;
-气体参数;
-水化学参数;
-溶解气体和/或呋喃参数
-电气参数(包括但不限于电压、电流特征和电阻);
-从原始传感器数据处理的衍生参数,包括但不限于从以上提及的测量的任何一个或任何组合计算的衍生参数。
代理和第二代理可以使用转换概率,该转换概率最初可以是相同的,但是在不同的时间和/或以不同的方式更新。因此,随着在资产和第二资产的正在进行的操作期间的时间流逝,用于执行随机模拟的由代理使用的转换概率和由第二代理使用的第二转换概率可能彼此偏离。
该方法还可以包括由代理向该一组代理中的至少一个其它代理和/或中央模块输出观察信息或从其导出的数据。
可以响应于触发事件,诸如观察信息的接收,执行将观察信息或从其导出的数据输出到该一组代理中的至少一个其它代理和/或输出到中央模块。
可以以间歇性的方式选择性地建立代理和至少一个其它代理和/或中央模块之间的通信通道。
可以仅在通信通道可用时,选择性地执行向一组代理中的至少一个其它代理和/或中央模块输出观察信息或从其导出的数据。
从观察信息导出的数据可以是经更新的转换概率和/或经更新的贝叶斯概率表。
观察信息可以是针对不同于与代理相关联的资产的至少一个其它资产获得的传感器测量的函数。
传感器测量可以包括以下的测量:针对至少一个其它资产的一个或多个工业资产条件参数,诸如电力***资产条件参数;针对至少一个其它资产的一个或多个工业资产操作参数,诸如电力***资产操作参数;和/或针对至少一个其它资产的一个或多个工业资产操作参数,诸如电力***资产操作参数。传感器测量可以包括与从与代理相关联的资产获得的传感器测量相关的以上提及的测量中的任何一个(应理解,也可以针对不同于与代理相关联的资产的至少一个其它资产获得传感器测量)。
观察信息可以包括经修改的转换概率和/或经修改的贝叶斯条件概率。
可以从中央模块接收经修改的转换概率和/或经修改的贝叶斯条件概率,该中央模块接收并组合由该一组代理中的两个或更多代理确定的经更新的转换概率的信息。
离散状态空间可以具有n个状态,其中n是大于2的整数。
状态之间的转换可以由转换矩阵来支配。
转换矩阵可以是稀疏编码的。
随机模拟中使用的转换矩阵可以仅具有n-1个非零非对角矩阵元素。
观察信息可以由n-1个转换概率组成。
离散状态空间可以包括资产的操作可以不被故障不利地影响的至少一个状态。
离散状态空间可以包括资产的操作可以被故障不利地影响,但是资产继续操作的至少一个状态;
离散状态空间可以包括其中资产可能由于故障而不操作的状态。
随机模拟可以是马尔可夫链蒙特卡洛,MCMC,模拟。
马尔可夫链可以具有1阶,即,转换可以依赖于马尔可夫链模型当前所处的状态,而独立于到该状态的先前转换。
马尔可夫链模型可以使得状态具有单调排序的定性解释,即,总是可以根据劣化的严重程度来比较两个状态。
离散状态空间的每个状态可以具有到离散状态空间的至多一个其它状态的非零转换概率(这描述了更严重的劣化)以及到其自身的非零转换概率。
马尔可夫链模型可以使得离散状态空间的不对应于资产的故障的状态具有到离散状态空间的仅一个其它状态的非零转换概率。
马尔可夫链模型可以使得离散状态空间的对应于资产的故障的状态不具有到除其自身之外的状态的任何非零转换概率。
该一组代理中的每一个可以执行随机模拟,以确定与相应代理相关联的资产的资产健康状态的未来演变的预测。
该一组代理中的代理可操作用于独立地更新随机模拟中使用的转换概率。
该方法还可以包括由中央模块接收由代理更新的转换概率的信息。
中央模块可以基于所接收到的信息确定经修改的转换概率。
中央模块可以向该一组代理输出经修改的转换概率。
确定经修改的转换概率可以包括利用加权因子对所接收的信息进行加权。
加权因子可以取决于与由代理确定的经更新的转换概率相关联的重要性。
该一组资产的所有资产可以具有相同或相似的资产类型。
该一组资产的所有资产可以是工业资产或电力***资产。
该一组资产的所有资产是分布式能源(DER)单元、发电机、电力变压器或配电变压器。
所生成的输出可以是剩余使用寿命(RUL)曲线、故障概率(PoF)曲线或表示资产劣化的其它信息。
所生成的输出可以是用于控制与代理相关联的资产的控制信号。
所生成的输出可以用于基于随机模拟来计划资产的停机时间、用于基于随机模拟来计划维护、检查或更换工作、和/或用于基于随机模拟来改变维护或检查间隔的控制信号。
所生成的输出可以依赖于具有由代理更新的转换概率的随机模拟。
该方法可以包括通过人机界面(HMI)或控制命令界面输出该输出。
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该一组资产中的每个资产执行预测资产健康分析,并基于预测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至少一项:基于所计算的预测资产健康状态演变生成警报或警告;基于所计算的预测资产健康状态演变生成控制资产的操作的控制信号;基于所计算的资产健康状态演变计划资产的停机时间;基于所计算的资产健康状态的演变计划维护或检查工作;基于所计算的资产健康状态演变计划更换工作;基于所计算的资产健康状态演变改变维护或检查间隔。
控制或输出动作可以包括经由界面输出关于作为操作时间的函数的故障概率、关于所计划的或重新计划的维护工作间隔、或关于所计划的更换工作间隔的信息。
根据实施例,提供了一种计算***,其可操作用于对包括在一组资产中的资产执行预测健康分析。计算***包括至少一个集成电路,该至少一个集成电路可操作用于执行代理以通过执行随机模拟来确定资产的资产健康状态的未来演变的预测,该随机模拟使用用于离散状态模型的状态之间的转换的转换概率来执行;接收可能基于所观察到的该一组资产中的至少一个资产的劣化的观察信息;更新预测,包括基于所接收的观察信息更新转换概率,以及基于随机模拟的结果生成输出。
计算***可以是可操作的,使得代理可以在与其它代理更新由其它代理使用的转换概率的时间相独立的时间来更新转换概率,以执行随机模拟。
计算***可以是可操作的,使得更新转换概率可以由观察信息的接收来触发。
计算***可以是可操作的,使得更新转换概率可以是事件驱动过程。
计算***可以是可操作的,使得可以经由通信通道从另一代理和/或从中央模块接收观察信息。
计算***可以是可操作的,使得通信通道可以仅在通信时间间隔中间歇性地建立。
计算***可以是可操作的,使得可以在建立通信通道的通信时间间隔中的一个中接收观察信息。
计算***可以是可操作的,使得通信时间间隔可以是预定时间间隔。
计算***可以是可操作的以执行第二代理,以通过执行第二随机模拟来确定对该一组资产中的第二资产的资产健康状态的未来演变的第二预测,该随机模拟使用用于离散状态模型的状态之间的转换的第二转换概率来执行。
计算***可以是可操作的,使得代理和第二代理可以使用相同的离散状态模型。
计算***可以是可操作的,使得第二代理更新第二预测,包括更新第二转换概率。
计算***可以是可操作的,使得代理可以以异步方式与该一组代理中的其它代理共享关于经更新的转换概率的信息。
计算***可以是可操作的,使得观察信息可以是针对与代理相关联的资产获得的传感器测量的函数。
传感器测量可以包括一个或多个工业资产状况参数的测量,诸如电力***资产状况参数的测量。
传感器测量可以包括一个或多个工业资产操作参数的测量,诸如电力***资产操作参数的测量。
传感器测量可以包括一个或多个工业资产操作参数的测量,诸如电力***资产操作参数的测量。
传感器测量可以包括以下中的一个、多个或全部的测量:
-温度参数;
-振动参数;
-声音和/或超声波参数;
-润滑参数;
-速度参数;
-流动参数;
-压力参数;
-气体参数;
-水化学参数;
-溶解气体和/或呋喃参数;
-电气参数(包括但不限于电压、电流特征和电阻);
从原始传感器数据处理的衍生参数,包括但不限于从以上提及的测量的任何一个或任何组合计算的衍生参数。
计算***可以是可操作的,使得代理和第二代理可以使用转换概率,该转换概率最初可以是相同的,但是在不同的时间和/或以不同的方式更新。因此,随着在资产和第二资产的正在进行的操作期间的时间流逝,用于执行随机模拟的由代理使用的转换概率和由第二代理使用的第二转换概率可能彼此偏离。
计算***可以是可操作的,使得代理可以向该一该组代理中的至少一个其它代理和/或中央模块输出观察信息或从其导出的数据。
计算***可以是可操作的,使得代理响应于触发事件,诸如观察信息的接收,向该一组代理中的至少一个其它代理和/或中央模块输出观察信息或从其导出的数据。
计算***可以是可操作的,使得可以以间歇性的方式选择性地建立代理和至少一个其它代理和/或中央模块之间的通信通道。
计算***可以是可操作的,使得可以仅在通信通道可用时,选择性地向该一组代理中的至少一个其它代理和/或中央模块输出观察信息或从其导出的数据。
计算***可以是可操作的,使得从观察信息导出的数据可以是经更新的转换概率和/或经更新的贝叶斯概率表。
计算***可以是可操作的,使得观察信息可以是针对不同于与代理相关联的资产的至少一个其它资产获得的传感器测量的函数。
传感器测量可以包括以下的测量:针对至少一个其它资产的一个或多个工业资产条件参数,诸如电力***资产条件参数;针对至少一个其它资产的一个或多个工业资产操作参数,诸如电力***资产操作参数;和/或针对至少一个其它资产的一个或多个工业资产操作参数,诸如电力***资产操作参数。传感器测量可以包括与从与代理相关联的资产获得的传感器测量相关的以上提及的测量中的任何一个(应理解,也可以针对不同于与代理相关联的资产的至少一个其它资产获得传感器测量)。计算***可以是可操作的,使得观察信息可以包括经修改的转换概率和/或经修改的贝叶斯条件概率。
计算***可以是可操作的,使得可以从中央模块接收经修改的转换概率和/或经修改的贝叶斯条件概率,该中央模块接收并组合由该一组代理中的两个或更多代理确定的经更新的转换概率的信息。
计算***可以是可操作的,使得离散状态空间可以具有n个状态,其中n是大于2的整数。
计算***可以是可操作的,使得状态之间的转换可以由转换矩阵来支配。
计算***可以是可操作的,使得转换矩阵可以是稀疏编码的。
计算***可以是可操作的,使得随机模拟中使用的转换矩阵可以仅具有n-1个非零非对角矩阵元素。
计算***可以是可操作的,使得观察信息可以由n-1个转换概率组成。
计算***可以是可操作的,使得离散状态空间可以包括资产的操作不会被故障不利地影响的至少一个状态。
计算***可以是可操作的,使得离散状态空间可以包括资产的操作可能被故障不利地影响,但是资产继续操作的至少一个状态。
计算***可以是可操作的,使得离散状态空间可以包括资产可能由于故障而不操作的状态。
计算***可以是可操作的,使得随机模拟可以是马尔可夫链蒙特卡洛,MCMC,模拟。
计算***可以是可操作的,使得马尔可夫链可以具有1阶,即,转换可以依赖于马尔可夫链模型当前所处的状态,而独立于到该状态的先前转换。
计算***可以是可操作的,使得马尔可夫链模型可以使得状态具有单调排序的定性解释,即,总是可以根据劣化的严重程度来比较两个状态。
计算***可以是可操作的,使得离散状态空间的每个状态可以具有到离散状态空间的至多一个其它状态的非零转换概率(这描述了更严重的劣化)以及到其自身的非零转换概率。
计算***可以是可操作的,使得马尔可夫链模型可以使得离散状态空间的不对应于资产的故障的状态具有到离散状态空间的仅一个其它状态的非零转换概率。
计算***可以是可操作的,使得马尔可夫链模型可以使得离散状态空间的对应于资产的故障的状态不具有到除其自身之外的状态的任何非零转换概率。
计算***可以是可操作的以执行一组代理。
计算***可以是可操作的,使得该一组代理中的每一个可以执行随机模拟,以确定与相应代理相关联的资产的资产健康状态的未来演变的预测。
计算***可以是可操作的,使得该一组代理中的代理可操作用于独立地更新随机模拟中使用的转换概率。
计算***可操作用于执行中央模块,以接收由代理更新的转换概率的信息。
计算***可以是可操作的,使得中央模块可以基于所接收的信息确定经修改的转换概率。
计算***可以是可操作的,使得中央模块可以向该一组代理输出经修改的转换概率。
计算***可以是可操作的,使得中央模块利用加权因子对所接收的信息进行加权,以确定经修改的转换概率。
计算***可以是可操作的,使得加权因子可以取决于与由代理确定的经更新的转换概率相关联的重要性。
计算***可以是可操作的以执行一组代理以对一组资产执行预测健康分析,其中该一组资产中的所有资产可以具有相同或相似的资产类型。
计算***可以是可操作的以执行一组代理以对一组资产执行预测健康分析,其中该一组资产中的所有资产可以是工业资产或电力***资产。
计算***可以是可操作的以执行一组代理以对一组资产执行预测健康分析,其中该一组资产中的所有资产是分布式能源(DER)单元、发电机、电力变压器或配电变压器。
计算***可以是可操作的,使得所生成的输出可以是剩余使用寿命(RUL)曲线、故障概率(PoF)曲线或表示资产劣化的其它信息。
计算***可以是可操作的,使得所生成的输出可以是用于控制与代理相关联的资产的控制信号。
计算***可以是可操作的,使得所生成的输出可以是用于基于随机模拟来计划资产的停机时间、用于基于随机模拟来计划维护、检查或更换工作、和/或用于基于随机模拟来改变维护或检查间隔的控制信号。
计算***可以是可操作的,使得所生成的输出可以依赖于具有由代理更新的转换概率的随机模拟。
计算***可以是可操作的以通过人机界面(HMI)或控制命令界面输出该输出。
计算***可以是可操作的以操作和/或控制一组资产,其中计算***可操作用于对该一组资产中的每个资产执行预测资产健康分析,并基于该预测资产健康分析自动采取控制或输出动作。
计算***可以是可操作的,使得控制或输出动作可以包括执行以下中至少一项:基于所计算的预测资产健康状态演变生成警报或警告;基于所计算的预测资产健康状态演变生成控制资产的操作的控制信号;基于所计算的资产健康状态演变计划资产的停机时间;基于所计算的资产健康状态演变计划维护或检查工作;基于所计算的资产健康状态演变计划更换工作;基于所计算的资产健康状态演变改变维护或检查间隔。
计算***可以是可操作的,使得控制或输出动作可以包括经由界面输出关于作为操作时间的函数的故障概率、关于所计划的或重新计划的维护工作间隔、或关于所计划的更换工作间隔的信息。
根据实施例的工业或电力***包括一组资产和用于对资产执行预测资产健康分析的计算***。
计算***可以是工业或电力***的分散式控制***。
各种效果和优点与本发明相关联。可以使用从可比较的工业或电力***资产动态到达的数据(例如,绿地项目(green field project)的学习曲线)来更新由代理执行以获得资产健康状态的未来演变的预测的随机模拟。
负责为多个可比较的工业资产执行资产健康状态分析的代理之间的信息可以被有效地传递。即使当与不同资产相关联的代理作为半独立代理操作时,信息也可以在代理之间共享,从而提供队列学习。
负责不同资产的代理之间的信息可以以压缩形式共享,而不需要存储和发送全部数据。作为说明,仅存储和发送转换矩阵的非零矩阵元素可能就足够,可选地具有指示相对重要性的信息。
当使用离散状态空间和到离散状态空间的对应于下一劣化严重程度的至多一个其它状态的非零转换概率时,共享关于代理之间和/或代理与中央模块之间的经更新的转换概率的信息仅需要少量参数。
可以生成附加信息,诸如关于RUL或PoF曲线的变化或置信区间的定量信息,其可以用于规定的工具或应用中。
附图说明
将参考附图中示出的优选示例性实施例更详细地说明本发明的主题,在附图中:
图1是根据实施例的具有计算***的电力***的示意图。
图2是根据实施例的具有计算***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是示出根据实施例的代理的框图。
图5是示出根据实施例的代理和中央模块的框图。
图6是根据实施例的方法的流程图。
图7是示出根据实施例的方法和计算***的操作的曲线图。
图8是示出状态占据概率的时间演变的柱状图。
图9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10是示出根据实施例的方法和***的操作的图。
图11是示出根据实施例的方法和***的操作的图。
图12是根据实施例的计算***的框图。
图13是根据实施例的计算***的框图。
具体实施方式
将参照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件。尽管一些实施例将在电力***的资产(诸如分布式能源(DER)单元或变压器)的背景下描述,但是实施例不限于此。除非特别指出,否则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。资产可以包括诸如分布式能源(DER)单元11至13、16至18的发电机、变压器或其它电力***资产。
电力***10、15包括控制***,该控制***包括各自与资产相关联的本地控制器21至23。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。
如下面将更详细地描述的那样,本地控制器21至23、中央***20和/或远程服务器***24可以是可操作的以使用离散状态模型来执行预测资产健康分析。离散状态模型可以是马尔可夫链模型。离散模型可以具有特定配置,如将在下面说明的。
可以部署多个代理,每个代理与资产中的一个相关联并负责对资产中的一个执行预测资产健康分析。每个代理可以是可操作的以局部更新离散状态模型(诸如马尔可夫链模型)的状态之间的转换概率。这可以以事件驱动的方式或时间驱动的方式来完成。用于转换概率的更新可以取决于以下中的一个或多个:
-代理确定资产健康状态的未来演变的预测的资产的传感器数据;
-由另一代理针对相同或相似资产类型的另一资产确定的转换概率;
-由至少可以间歇与代理通信的中央模块确定的转换概率。
代理也可以被称为“本地代理”。由代理使用针对相关联的资产捕获的信息在本地执行的转换概率的更新也可以被称为“本地更新”。
代理可以但不需要在本地控制器21至23上执行。中央模块可以在中央***20和/或远程服务器***24上执行,但不限于此。
在本地控制器21至23、中央***20和/或远程服务器***24中的一个或多个上执行的代理可以是可操作的以执行随机模拟,该随机模拟包括多个独立模拟,特别是马尔可夫链蒙特卡洛(MCMC)模拟,以执行预测资产健康分析。
预测资产健康分析的结果可以被本地控制器21至23、中央***20和/或远程服务器***24使用,用于计划停机时间、维护工作、更换工作或用于自动执行控制操作。本地控制器21至23、中央***20和/或远程服务器***24可以是可操作的以生成和输出控制或输出数据。可以通过人机界面(HMI)26提供输出。HMI可以通过互联网或另一广域网(WAN)联接到本地控制器21至23、中央***20和/或远程服务器***24。
如将参考图3至图12更详细地说明的,预测资产健康分析可以包括模拟资产的时间演变。
本文描述的技术可以在对于代理执行预测资产健康分析的特定资产没有传感器数据可用时使用。作为说明,即使在对于资产11、16没有传感器数据可用的情况下,也可以为资产(例如资产11、16)计算剩余使用寿命(RUL)曲线或其它预测资产健康预测。在资产11、16的寿命操作期间检测的相似或相同的资产12、13、17、18的劣化信息可以用于动态更新随机模拟中使用的转换概率。
因此,可以实施队列学习,这允许使用一组代理将信息用于更新对一组资产11至13、16至18的资产健康状态的未来演变的预测,这可以利用关于劣化的信息,因为它在操作期间变得动态可用。
为了减少需要在代理之间和/或代理与中央模块之间交换的数据量,可以使用具有一组离散状态和专门设计的转换概率的特定离散状态模型。
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组成。在本示例中,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是有序的,使得资产健康的劣化的严重程度从S1到S2、从S2到S3等增加。即,除了马尔可夫链模型的最后一个状态之外,所有状态之后可以是表示更严重劣化的另一状态。马尔可夫链模型的最后状态可以表示最严重的劣化。
可以建立马尔可夫链模型使得第1、第2,……,第(n-1)状态41至43具有到状态空间中的仅一个其它状态的非零转换概率p12、p23、p34。第n状态44不具有到除其自身之外的状态的非零转换概率。
作为说明,马尔可夫链模型可以使得存在从第一状态41到第二状态42的有限的转换概率p12,但是存在从第二状态42回到第一状态41的零转换概率。对于概率1-p12,在随机模拟的迭代中保持第一状态41。
马尔可夫链模型可以使得存在从第二状态42到第三状态43的有限的转换概率p23,但是存在从第三状态43回到第二状态42的零转换概率。对于概率1-p23,在随机模拟的迭代中保持第二状态42。
马尔可夫链模型可以使得存在从第三状态43到第四状态44的有限的转换概率p34,但是存在从第四状态44回到第三状态43的零转换概率。对于概率1-p34,在随机模拟的迭代中保持第三状态43。
马尔可夫链模型的最终状态44可以对应于其中资产已经失效到其不再操作的程度的状态。
状态空间的其它状态41至43可以对应于不同程度的劣化。
作为说明,第一状态41(其也可以称为“未知”状态S1)可以对应于其中不存在会影响资产操作的已知劣化的资产状态。作为说明,第一状态41可以对应于其中没有故障被记录或者其中没有故障可以被记录的状态。
第二状态42(其也可以称为“初期”状态S2)可以对应于具有轻微严重性以至于它们不会立即影响资产的性能的可检测故障。这种初期故障通常由短的平均修复时间(MTTR)、低的修复成本和对整体性能的低影响来表征。如果维护不当,初期故障则可能演变成更严重的劣化故障。
第三状态43(其也可以称为“劣化”状态S3)可以对应于描述显著降低***的性能但不会导致立即资产关闭的故障的模式。这种故障通常由部件劣化引起。如果留置不处理,这种劣化将最终导致严重故障。
第四状态44(其也可以称为“危急”状态S4)可以对应于导致资产立即和完全关闭的最严重的故障模式。它通常由长期和昂贵的(由于完全生产损失)MTTR表征。
马尔可夫链模型的初始转换概率可以通过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。可以使用不同组的转换概率p12、p23、p34。作为说明,可以使用N>1,特别是N>2个不同组的转换概率p12、p23、p34来模拟不同环境和/或操作条件下的资产健康状态的演变。
对于具有如上所述布置的n=4个状态的离散状态空间(即,按照从1到n逐渐严重的劣化的顺序),模型的转换矩阵可以定义为
通常,对于具有如上所述布置的n个状态的离散状态空间(即,按照从1到n逐渐严重的劣化的顺序),模型的转换矩阵可以定义为
转换矩阵T可以是稀疏矩阵。转换矩阵T可以仅具有n-1个非零非对角矩阵元素,其被布置在矩阵的对角线下方。转换矩阵T完全由n-1个转换概率p12、p23……pn-1,n限定。这些n-1个转换概率完全限定了离散状态模型的不同状态之间的可能转换。
应理解,转换矩阵T可以依赖于资产,即使在针对一组相同或相似的资产确定动态时。即,至少在转换概率在操作期间被更新时,不同的代理可以使用不同的转换概率p12、p23……pn-1,n。
图4是示出根据实施例的***的框图。部署了一组代理51、52、53。代理51、52、53中的每一个与资产相关联,并且负责确定该特定资产的资产健康状态的未来演变的预测。
代理51、52、53可以在不同的本地控制器21至23上执行。代理51、52、53可以在中央***20和/或远程服务器***24上执行。
第一代理51执行随机模拟(例如,MCMC)以模拟第一资产11、16的劣化过程。第一代理51使用转换矩阵T1。对于所有代理51至53,转换矩阵T1可以被相同地初始化。在操作期间,第一代理51可以以时间相关的方式更新转换矩阵T1。
第一代理51可以以事件驱动的方式更新转换矩阵T1。作为说明,可以响应于第一观察信息61的接收和/或响应于经由推或拉机制接收第一观察信息61的通信通道的间歇建立来更新转换矩阵T1。第一观察信息61可以是或包括以下中的任意一种或任意组合:
-第一代理51确定资产健康状态的未来演变的预测的第一资产11、16的传感器数据。
-由另一代理52、53针对具有与第一资产11、16相同或相似的资产类型的另一资产12、13、17、18确定的转换概率p12、p23……pn-1,n或者贝叶斯概率表数据。
-由至少可以间歇与第一代理51通信的中央模块确定的转换概率(如将参照图5更详细地说明的)。
第二代理52执行随机模拟(例如,MCMC)以模拟第二资产12、17的劣化过程。第二代理52使用转换矩阵T2。对于所有代理52至53,转换矩阵T2可以被相同地初始化。在操作期间,第二代理52可以以时间相关的方式更新转换矩阵T2。转换矩阵T2可以具有不同于由第一代理51使用的转换矩阵T1的时间演变的时间演变。
第二代理52可以以事件驱动的方式更新转换矩阵T2。作为说明,可以响应于第二观察信息62的接收和/或响应于经由推或拉机制接收第二观察信息62的通信通道的间歇建立来更新转换矩阵T2。第二观察信息62可以是或包括以下中的任意一种或任意组合:
-第二代理52确定资产健康状态的未来演变的预测的第二资产12、17的传感器数据。
-由另一代理52、53针对具有与第二资产12、17相同或相似的资产类型的另一资产11、13、16、18确定的转换概率p12、p23……pn-1,n或者贝叶斯概率表数据。
-由至少可以间歇与第二代理52通信的中央模块确定的转换概率(如将参照图5更详细地说明的)。
第三代理53执行随机模拟(例如,MCMC)以模拟第三资产13、18的劣化过程。第三代理53使用转换矩阵T3。对于所有代理53至53,转换矩阵T3可以被相同地初始化。在操作期间,第三代理53可以以时间相关的方式更新转换矩阵T3。转换矩阵T3可以具有不同于由第一代理51使用的转换矩阵T1的时间演变和/或由第二代理52使用的转换矩阵T2的时间演变的时间演变。
第三代理53可以以事件驱动的方式更新转换矩阵T3。作为说明,可以响应于第三观察信息63的接收和/或响应于经由推或拉机制接收第三观察信息63的通信通道的间歇建立来更新转换矩阵T3。第三观察信息63可以是或包括以下中的任意一种或任意组合:
-第三代理53确定资产健康状态的未来演变的预测的第三资产13、18的传感器数据。
-由另一代理53、53针对具有与第三资产13、18相同或相似的资产类型的另一资产11、12、16、17确定的转换概率p12、p23……pn-1,n或者贝叶斯概率表数据。
-由至少可以间歇与第三代理53通信的中央模块确定的转换概率(如将参照图5更详细地说明的)。
代理51至53可以以异步方式更新它们的转换矩阵。至少从更新的时间开始,经更新的转换矩阵可以用于模拟。可选地,可以对更新的转换矩阵的生成之前的过去重复随机模拟,从而不仅对未来,而且对过去重新计算预测。
代理51至53可以直接或经由中央模块向***的其它代理提供关于经更新的转换矩阵的信息。在转换矩阵是稀疏矩阵的情况下,只有非常少的参数(例如,只有n-1个独立的转换概率p12、p23……pn-1,n)需要被传输。
可以计算关于更新的重要性的信息。关于重要性的信息可以量化执行更新的代理51至53考虑经更新的转换概率p12、p23……pn-1,n的可靠性。
图5是示出根据实施例的***的框图。部署了一组代理51、52、53。代理51、52、53中的每一个与资产相关联,并且负责确定该特定资产的资产健康状态的未来演变的预测。
代理51、52、53可以在不同的本地控制器21至23上执行。代理51、52、53可以在中央***20和/或远程服务器***24上执行。
中央模块54可以在中央***20和/或远程服务器***24上执行。
代理51、52、53和中央模块54可以通信联接。代理51、52、53和中央模块54之间的通信通道可以是,但不需要是持续的通信通道。通信通道可以以间歇的方式建立。作为说明,通信通道可以以事件驱动或周期性的方式建立。
当第一代理51基于可用的本地信息61更新由第一代理执行的随机模拟中使用的转换概率时,它可以向中央模块54提供关于经更新的转换概率的信息64。中央模块54可以处理信息64,并且可以可选地将其与关于由其它代理52、53执行的转换概率的更新的信息集合在一起。中央模块54可以向第二和第三代理52、53提供关于转换概率和/或用于计算转换概率的贝叶斯概率的经更新的、更可靠的信息作为数据68、69。在本申请的意义上,数据68、69也代表一种形式的“观察信息”,因为它是基于在工业或电力***的实际运行期间观察到的劣化。
当第二代理52基于可用的本地信息62更新由第二代理执行的随机模拟中使用的转换概率时,它可以向中央模块54提供关于经更新的转换概率的信息65。中央模块54可以处理信息65,并且可以可选地将其与关于由其它代理51、53执行的转换概率的更新的信息集合在一起。中央模块54可以向第一和第三代理51、53提供关于转换概率和/或用于计算转换概率的贝叶斯概率的经更新的、更可靠的信息作为数据67、69。如上所述,在本申请的意义上,数据67、69也代表一种形式的“观察信息”,因为它是基于在工业或电力***的实际运行期间观察到的劣化。
当第三代理53基于可用的本地信息63更新由第三代理执行的随机模拟中使用的转换概率时,它可以向中央模块54提供关于经更新的转换概率的信息66。中央模块54可以处理信息65,并且可以可选地将其与关于由其它代理51、52执行的转换概率的更新的信息集合在一起。中央模块54可以向第一和第二代理51、52提供关于转换概率和/或用于计算转换概率的贝叶斯概率的经更新的、更可靠的信息作为数据67、68。如上所述,在本申请的意义上,数据67、68也代表一种形式的“观察信息”,因为它是基于在工业或电力***的实际运行期间观察到的劣化。
图6是根据实施例的方法70的流程图。方法70可以由代理51至53中的每一个自动执行,这些代理可以由本地控制器21至23、中央***20和/或远程服务器***24中的一个或多个IC执行。不同的代理51至53可以彼此独立地执行方法70。
在步骤71处,执行马尔可夫链模型的MCMC模拟或其它随机模拟。步骤71可以包括执行超过100次、超过1000次、超过2000次、超过5000次模拟、超过10000次模拟、超过50000次模拟、超过100000次模拟、超过500000次模拟或一百万或更多次模拟。随着计算能力的提高,没有模拟次数的上限。模拟可以并行执行。
尽管可以对马尔可夫链模型的任何组的转换概率p12、p23……pn-1,n执行大量模拟(例如,超过100或超过1000),但是对于由同一代理执行的全部模拟,转换概率不需要相同。不同组的转换概率p12、p23……pn-1,n可以用于定量评估不同操作条件和/或环境条件的影响。
可以在时间范围内执行模拟。时间范围可以取决于特定的资产。对于电力***资产,诸如变压器,典型的寿命超过10年,超过20年,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。时间范围也可以更短,这取决于资产。作为说明,预测时间范围可以是1周或更长、1个月或更长等。预测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。
可以根据关于资产可用信息来选择用于模拟的初始状态。如果没有关于资产的信息可用,则模拟可以全部从其中没有关于可检测故障的信息的第一状态41开始。如果关于资产的信息可用,例如安装后收集的传感器数据,则该传感器数据可以用于初始化模拟。可以根据已经收集的传感器数据是否指示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各种MCMC或其它随机模拟的初始状态的分布。
另外,初始化可以是概率性的。作为说明,如果可用信息不能确定资产是处于状态41还是42并且处于这些状态中的任何一个中的几率相等,则***可以利用贝叶斯先验分布来初始化,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它概率初始化也是可能的。
在步骤72处,确定用于更新转换概率的触发事件是否满足。触发事件可以是观察信息的接收,该观察信息可以基于正在进行的操作期间为资产捕获的传感器数据和/或可以取决于相同或相似类型的其它资产的观察。
如果用于改变转换概率的触发事件未被满足,则该方法可以返回到步骤71。如果用于改变转换概率的触发事件未被满足,则该方法可以在步骤73处继续。
在步骤73处,转换概率可以被更新。与基于MCMC模拟预期的动态相比,更新转换概率可以基于一个或多个资产11至13、16至18的所观察到的劣化动态来执行。在步骤73处的更新转换概率可以包括基于贝叶斯条件概率重新计算转换概率,贝叶斯条件概率可以从资产11至13、16至18的所观察到的劣化中导出。
在步骤74处,关于经更新的转换概率的信息可以被提供给其它代理和/或中央模块74。在步骤74处,量化更新的相对重要性的重要性信息(例如,基于在计算经更新的转换概率中使用的传感器数据的量)也可以被提供给其它代理和/或中央模块74。
该方法还可以包括计算在马尔可夫链模型已经演变到对应于不操作的资产的危急状态的时间范围内作为时间的函数的概率。该方法可以包括计算健康指数的时间演变,对于预测时间范围期间的任何时间,其取决于马尔可夫链模型处于马尔可夫链模型的第1、第2、第n状态41至44的概率。该方法可以包括计算RUL曲线、PoF曲线或指示作为操作时间的函数的资产故障的概率的其它输出。
该方法还可以包括生成输出。输出可以包括关于作为时间的函数的资产的剩余使用寿命的信息。输出可以包括关于作为时间的函数的资产的故障概率的信息。输出可以包括通过进一步处理模拟结果获得的控制和/或输出数据,诸如对关于资产的检查、维护或更换工作的计划。
图7是可以自动生成和输出的输出80的示意图。输出80可以指示马尔可夫链模型已经演变到对应于不操作的资产的危急状态的概率。输出80可以通过对时间范围内的多个时间中的每一个计算马尔可夫链模型处于状态空间的危急状态S4的模拟的分数来确定。
如图7所示,响应于在时间82接收关于资产劣化的更可靠的信息,更新随机模拟中使用的转换概率。至少从时间82开始,使用经更新的转换概率来计算资产健康状态的未来演变的预测。可选地,也可以对时间82之前的时间重新计算演变。
为了比较,图7还示出了在转换概率没有被更新的情况下将会获得的曲线81。
可以生成附加或替代性输出。作为说明,可以处理RUL曲线或指示资产的劣化的其它信息,以自动计划检查、维护或更换工作,向操作者输出调度信息和/或自动计划停机时间。
替代地或附加地,可以使用阈值比较或其它触发来处理RUL曲线或指示资产的劣化的其它信息,以确定是否以及何时向操作者输出警报、警告或其它信号。
图8示出了马尔可夫链模型的状态空间的各种状态S1至S4的布局的随机分布81至84。分布81对应于其中马尔可夫链模型模拟的大多数仍然处于对应于没有可检测到劣化的资产的状态S1的第一时间。分布82、83对应于其中对应于初期或更近期的劣化的状态S2和S3已经被占据的更多的稍后的第二时间和第三时间。分布84对应于其中与资产关闭相对应的危急状态S4被占据得最多的更晚的第四时间(反映了相比于处于操作状态资产到该时间更有可能处于不操作状态)。
尽管可以从资产处于危急状态S4(其是马尔可夫链模型的最终状态)的概率中获得相关的预测资产健康状态预测,但是处理随机模拟的结果的输出可以取决于马尔可夫链模型分别处于第1、第2……第n状态的所有概率p1、p2……pn,如由随机模拟确定的。
作为说明,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)=Σi=1,…,npi(j)×mi (3)
其中,pi(j)表示马尔可夫链模型在时间j处于第i状态的概率,如由随机模拟所确定的,并且其中,mi表示作为状态标签i的单调函数,特别是严格单调函数的标量值。作为说明,所有mi可以从区间中选择使得m1≤m2≤……≤mn,特别地使得m1<m2<……<mn。
通过输出函数d(j)或从其导出的信息,可以更充分地反映导致降低的RUL的劣化,即使它还没有导致资产达到危急状态S4。
当d(j)被限制为取0和1之间的值时,函数d(j)指示劣化,并且可以通过h(j)=1–d(j)与健康指数h(j)相关联。
函数d(j)或健康指数h(j)也可以用于基于传感器测量来识别离散状态模型的不同状态之间的转换。作为说明,传感器测量可以被处理成劣化函数d(j)或健康指数h(j)。启发法可以用于该处理。劣化函数d(j)或健康指数h(j)的值可以经受一个或多个阈值比较,以将在一组传感器测量中观察到的资产状态分配给离散状态模型的离散状态S1,……,Sn中的一个。将传感器测量处理成劣化函数d(j)或健康指数h(j)可以以各种方式完成。标量函数可以将在不同时间捕获的传感器测量取为输入,并且可以将它们处理成标量函数,该标量函数表示由健康指数h或劣化指数d反映的所观察到的资产健康的演变。
可以使用各种技术来计算用于识别离散状态之间的转换的标量函数。作为说明,可以将传感器测量与一系列操作值进行比较。对于该范围外的每个传感器测量,可以施加惩罚。可以使用加权求和或组合用于传感器测量的加权因子和取决于传感器测量与正常操作值范围的偏差的值的乘积的其它处理。加权因子取决于相应的传感器,并指示资产健康的测量的重要性。
为各种资产(包括但不限于断路器、电池(诸如锂离子电池)或变压器)提供传感器测量到连续健康或劣化函数的映射的工具是已知的。作为说明,诸如Ellipse 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。归一化可以用于将健康或劣化函数归一化到期望的范围(诸如从0到1)。
所使用的传感器测量可以包括一个或多个工业资产状况参数(诸如电力***资产条件参数)、一个或多个工业资产操作参数(诸如电力***资产操作参数)、一个或多个工业资产操作参数(诸如电力***资产操作参数)。
正在使用的传感器测量的形式和类型可以取决于特定资产和/或健康或劣化函数的实施方式。上面提及了这种已知技术的示例。
连续健康或劣化函数可以是或可以包括条件监控函数,有时也称为条件监控参数。
连续健康或劣化函数可以是导函数,其将在特定时间窗口内(诸如一小时、一天、一周等)记录的给定设备的原始传感器测量(其可以记录在SCADA***中)取为输入参数。数据处理技术(诸如数据清理、异常值去除、过滤、降维、相关性分析等中的一种或多种)可以应用于原始传感器测量。经处理的数据可以用于计算趋势,该趋势可以给出关于设备内的物理过程的动态的见解(诸如磨损、老化、材料劣化等)。如本文中更详细公开的,在本发明的实施例中可以使用从马尔可夫链的一个状态到另一状态的转换概率。
连续健康或劣化函数可以是或可以包括故障函数的特征。故障函数的特征可以将(i)从一组传感器获取输入的条件监控函数的输出与(ii)可以由另一组传感器记录的事件日志相关联,以计算不同操作状态的故障的条件概率。
正在使用的传感器测量的形式和类型可以取决于特定资产和/或健康或劣化函数的实施方式。作为说明,诸如Ellipse APM或RelCare工具的工具处理传感器测量,并且这些工具所需的传感器测量被供应给该工具。
仅作为说明而非限制,传感器测量可以包括以下中的一种、多种或全部:
-温度参数(其可以例如与资产、资产的部件、由资产处理的介质、资产中使用的介质(诸如工作流体、冷却流体和/或绝缘流体)、环境条件等相关);
-振动参数(其可以在时域、频率范围内,包括应力波和/或相位);传输线振动或旋转机器振动是这种参数的示例;
-声音和/或超声波参数;
-润滑参数(其可以包括关于润滑剂的信息,诸如油脂、油或水;润滑参数可以包括在润滑剂或过滤器碎片中发现的颗粒冶金);
-速度参数(诸如风速、轴旋转等);
-流动参数(诸如被处理的介质的流动参数,该介质可以是气体或液体;或者用作工作流体、冷却流体和/或绝缘流体的一种或多种流体的流动参数);
-压力参数(诸如被处理的介质的静水压力、动压力和/或总压力,该介质可以是气体或液体;或者用作工作流体、冷却流体和/或绝缘流体的一种或多种流体的静水压力、动压力和/或总压力);
-气体参数(其可以例如与沼气设施的输入气体、过程气体和废气气体相关联);
-水化学参数(其可以例如与锅炉管腐蚀相关联);
-溶解气体和/或呋喃(furanic)参数(例如,用于变压器条件监控);
-电气参数(其可以包括电压、电流特征和电阻,但不限于此);
-作为原始传感器数据的函数的所计算的参数(其也称为衍生参数、工程特征或虚拟传感器)。
本文公开的技术允许使用可选的归一化和阈值比较,将任何健康或劣化函数映射到状态模型的离散状态。
在示例性实施方式中,转换概率可以基于条件概率来确定。作为说明,在时间j从第i状态转换到第(i+1)状态(其中,1≤i≤n-1)的转换概率可以确定为
pi→i+1(j)=#(xj+1=Si+1∧xj=Si)/#(xj=Si). (4)
在等式(4)中,分子表示在时间j处于第i状态并在时间j+1转换到第(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。
可以执行平均或其它处理来获得齐次马尔可夫链模型的概率。
当传感器数据可以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板;具有特定额定功率范围的风力发电机;额定值在特定区间中的变压器)但是受到不同的操作条件和/或环境条件的影响的不同资产组时,可以为这些组中的每一个独立地更新转换概率。
图9示出了曲线100的输出,其指示由随机模拟确定的作为时间的函数的资产的劣化。曲线100可以依赖于如随机模拟所确定的马尔可夫链模型分别处于第1、第2……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111至114相关联。作为说明,对于区间111内的健康指数h,资产可以被确定为处于其中没有已知劣化的状态S1。对于区间112内的健康指数h,资产可以被确定为处于其中没有不影响性能的初期劣化的状态S2。对于区间113内的健康指数h,资产可以被确定为处于其中存在影响性能但不会导致立即资产关闭的更严重的劣化的状态S3。对于区间114内的健康指数h,资产可以被确定为处于其中状态是危急的且导致立即资产关闭的状态S4。
阈值TH1……THn-1可以限定区间111至114的上边界和下边界。在初始化用于资产的随机模拟时,可以使用与阈值TH1……THn-1的比较。作为说明,用于资产的可用传感器数据可以被处理成表示资产的健康指数h或劣化指数d=1-h的标量,并且该标量可以与阈值TH1……THn-1进行比较,以确定如何初始化模拟。
通过执行诸如MCMC的随机模拟,不仅资产的健康状态的演变,而且与所确定的演变相关联的可靠性也可以被自动确定和输出。
关于可靠性的信息可以采用各种形式。作为说明,曲线80、100周围的置信区间的演变可以被确定为预测时间范围内的时间的函数。对于预测时间范围的任何时间j,置信区间的时间演变可以指示危急故障概率80或健康指数h的下边界和上边界。可以确定上边界和下边界,使得至少特定百分比(例如,至少70%、80%、90%或95%)的随机模拟在上下边界之间的范围内产生危急故障概率80或健康指数h。图7中示出了指示置信区间的时间演变的示例性上下边界101、102。
替代地或附加地,上边界101和下边界102可以反映资产可能经受的操作和/或环境条件的变化。作为说明,曲线100、101、102可以各自通过使用参照图3解释的马尔可夫链模型执行多个随机模拟来获得,但是具有不同组的转换概率。
图10是示出根据实施例的***的操作作为时间的函数的图。
部署不同的代理51、52、53。代理51、52、53中的每一个负责确定资产健康状态的未来演变的预测。资产是相同或相似的。
所有代理51、52、53可以使用相同组的状态S1……Sn来执行随机模拟。状态S1……Sn可以被排序,使得劣化的严重性从一个状态到下一状态是增加的。
代理51、52、53可以接收初始转换概率121、131、141。初始转换概率121、131、141可以基于用户输入或基于历史数据来确定,例如使用等式(4)。初始转换概率121、131、141可以是相同的。初始转换概率121、131、141可以是不同的,例如当对于代理51、52、53执行预测健康分析的各种资产的操作条件和/或环境条件不同时。
在初始化之后,第一代理51使用可以布置在转换矩阵T1,1中的初始转换概率执行随机模拟122。随机模拟122可以在时间间隔期间执行,但是可以延伸超过预测时间范围,该预测时间范围可以比在随机模拟中使用转换矩阵T1,1的时间间隔更长。
由第一代理51在第一更新时间t1接收第一观察信息125。观察信息125可以包括第一代理51执行预测健康分析的资产的传感器数据和/或由其它代理52、53和/或中央模块54确定的转换概率和/或贝叶斯转换概率。
第一观察信息125的接收触发转换矩阵到T2,1的更新123。随后,第一代理51可以使用到T2,1的经更新的转换矩阵至少在第一更新时间t1之后的时间内重新运行随机模拟124。由此获得资产健康状态的演变的经更新的预测。
在初始化之后,第i代理52使用可以布置在转换矩阵T1,i中的初始转换概率执行随机模拟132。随机模拟132可以在时间间隔期间执行,但是可以延伸超过预测时间范围,该预测时间范围可以比在随机模拟中使用转换矩阵T1,i的时间间隔更长。
由第i代理52在第i更新时间ti接收第i组观察信息135。观察信息135可以包括第i代理52执行预测健康分析的资产的传感器数据和/或由其它代理51、53和/或中央模块54确定的转换概率和/或贝叶斯转换概率。
第i观察信息135的接收触发转换矩阵到T2,i的更新133。随后,第i代理52可以使用到T2,i的经更新的转换矩阵至少在第i更新时间ti之后的时间内重新运行随机模拟134。由此获得资产健康状态的演变的经更新的预测。
在初始化之后,第n代理53使用可以布置在转换矩阵T1,n中的初始转换概率执行随机模拟142。随机模拟142可以在时间间隔期间执行,但是可以延伸超过预测时间范围,该预测时间范围可以比在随机模拟中使用转换矩阵T1,n的时间间隔更长。
由第n代理53在第n更新时间tn接收第n观察信息145。观察信息145可以包括第n代理53执行预测健康分析的资产的传感器数据和/或由其它代理51、52和/或中央模块54确定的转换概率和/或贝叶斯转换概率。
第n观察信息145的接收触发转换矩阵到T2,n的更新143。随后,第n代理53可以使用到T2,n的经更新的转换矩阵至少在第n更新时间tn之后的时间内重新运行随机模拟144。由此获得资产健康状态的演变的经更新的预测。
各种代理51至53可以异步操作。更新123、133、143可以在不同的时间执行,并且这些时间彼此独立。更新123、133、143可以作为事件触发的更新来执行。
图11是示出根据实施例的***的操作作为时间的函数的图。
部署不同的代理51、52、53。代理51、52、53中的每一个负责确定资产健康状态的未来演变的预测。资产是相同或相似的。
所有代理51、52、53可以使用相同组的状态S1……Sn来执行随机模拟。状态S1……Sn可以被排序,使得劣化的严重性从一个状态到下一状态是增加的。
代理51、52、53执行随机模拟(图11中未示出),以确定资产健康状态的未来演变的预测。代理51、52、53中的每一个可以执行更新151、152、153,以改变由代理在随机模拟中使用的转换概率,因为在操作期间关于劣化过程的更可靠的信息变得可用。
中央模块54可以接收关于更新151、152、153的信息。作为说明,由代理51、52、53在更新151、151、152、153时计算的关于经更新的转换概率的信息可以被提供给中央模块。还可以由中央模块54接收重要性信息,该重要性信息可以量化更新的重要性或可靠性(例如,基于用于生成经更新的转换概率的传感器数据的量)。
中央模块54可以执行组合处理,以组合来自由不同代理51、52、53执行的更新151、152、153的信息。中央模块54可以执行概率融合过程,其中由代理51、52、53中的一些或全部更新的转换概率被组合以计算经修改的转换概率。
经修改的转换概率可以随后被提供给代理51、52、53,触发更新161至163。经修改的转换概率不需要同步提供给不同的代理51、52、53,而是可以由中央模块54以异步方式提供。
随机模拟的结果可以以各种方式使用。控制和/或输出操作可以基于利用经更新的转换概率的随机模拟或其它预测资产健康分析的结果来自动执行。
作为说明,可以输出RUL或PoF曲线。可以同时输出关于置信区间的时间演变或变化的信息。
替代地或附加地,资产的操作点可以由与资产相关联的本地控制器21至23自动调节。
替代地或附加地,可以自动计划检查、维护和/或更换工作。
替代地或附加地,可以自动计划检查、维护和/或更换工作的停机时间。
替代地或附加地,根据RUL曲线、PoF曲线或其它预测资产健康状态演变,可以生成警报、警告或其它输出以经由HMI输出。
图12是计算***170的示意图。计算***170可以包括一个或多个IC 173。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)或多个这种集成电路的组合。
IC 173可以位于中央***20、本地控制器21至23中的一个、服务器***24中,或者可以分布在这些实体中。(多个)IC 173可以是可操作的以执行代理51至53中的一个或多个。
(多个)IC 173可以是可操作的以执行随机模拟引擎174,从而模拟马尔可夫链模型的时间相关演化。随机模拟引擎174可以可操作以执行MCMC模拟。
由随机模拟引擎174使用的马尔可夫链模型的转换概率的初始值可以经由接口171接收(例如,当(多个)IC 173在本地控制器21至23中的一个中并且中央***20计算初始转换概率时)。转换概率可以由(多个)IC 173基于在资产的正在进行的操作期间经由接口171接收的观察信息来更新。观察信息可以包括以下中的任意一项或任意组合:
-由(多个)IC 173执行的代理确定资产健康状态的未来演变的预测的资产的传感器数据。
-由另一代理针对具有相同或相似的资产类型的另一资产确定的转换概率p12、p23……pn-1,n或者贝叶斯概率表数据。
-由中央模块54确定的转换概率或贝叶斯概率表数据。
(多个)IC 173可以是可操作的以执行转换概率更新引擎175。转换概率更新引擎175可以通过在接口171处接收观察信息来调用,这使得转换概率更新引擎175更新用于本地执行随机模拟的转换概率。
(多个)IC 173可以是可操作的以执行输出引擎176。输出引擎176可以是可操作的以生成输出,从而共享关于由转换概率更新引擎175所执行的更新的信息。
输出引擎176还可以生成输出数据或输出信号,用于控制HMI和/或实施用于资产或其中使用资产的***的控制操作。作为说明,输出引擎176可以是可操作的以生成数据并将其输出到HMI,使得输出RUL或PoF曲线。输出引擎176可以是可操作的以生成数据并将其输出到HMI,使得可以同时输出关于置信区间的时间演变或变化的信息。
替代地或附加地,输出引擎176可以是可操作的以响应于随机模拟,利用由转换概率引擎175更新的转换概率,自动调节资产的操作点。
替代地或附加地,输出引擎176可以是可操作的以自动生成和输出关于检查、维护和/或更换工作的信息。
替代地或附加地,输出引擎176可以是可操作的以自动生成和输出关于停机时间的信息,以便可以自动计划检查、维护和/或更换工作。
替代地或附加地,输出引擎176可以是可操作的以根据RUL或PoF曲线或其它预测资产健康状态演变自动生成和输出警报、警告、或其它输出以经由HMI输出。
图13是计算***180的示意图。计算***180可以包括一个或多个IC 183。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)或多个这种集成电路的组合。
(多个)IC 183可以位于中央***20或服务器***24中,或者可以分布在这些实体中。(多个)IC 183可以是可操作的以执行中央模块54。
(多个)IC 183可以是可操作的以执行转换概率融合引擎184。转换概率融合引擎184可以组合由多个代理51、52、53更新的转换概率,可选地使用量化更新的相对信息的重要性信息,来计算经修改的转换概率。
可以通过接口181接收由多个代理51、52、53更新的转换概率。附加数据(诸如用于确定用于初始化代理51、52、53的初始转换概率的历史数据)可以存储在数据存储设备182中,并且可以用于确定经修改的转换概率。
(多个)IC 183可以是可操作的以执行输出控制185,该输出控制向代理输出通过融合来自多个代理的更新而获得的经修改的转换概率。输出控制185可以是可操作的以在不同时间向不同代理51、52、53输出经修改的转换概率。输出控制185可以是可操作的以例如响应于与不同代理51、52、53的通信通道的建立,以事件触发的方式向不同代理51、52、53输出经修改的转换概率。
各种效果和优点与本发明相关联。可以使用从类似的(comparable)工业或电力***资产动态到达的数据来更新由代理执行以获得资产健康状态的未来演变的预测的随机模拟。相关的信息交换只需要在代理之间和/或在中央模块和代理之间交换很少数量的参数。不同的代理可以异步操作。
根据本发明的方法和***可以结合电力***资产使用,诸如发电、配电和/或输电***的资产、或者工业***的资产,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,但是该描述被认为是说明性的或示例性的,而不是限制性的。通过研究附图、公开内容和所附权利要求,可以由本领域技术人员和实践所要求保护的发明的人员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”不排除其它元件或步骤,并且不定冠词“一”或“一个”不排除多个。在不同的权利要求中列举某些元素或步骤的事实并不指示这些元素或步骤的组合不能被有利地使用,具体来说,除了实际的权利要求从属关系之外,任何另外的有意义的权利要求组合都应该被认为是被公开的。
Claims (17)
1.一种对资产执行预测健康分析的方法,其中,所述资产(11,16)包括在与一组代理(51-53)相关联的一组多个资产(11-13;16-18)中,所述代理(51-53)中的每一个为所述一组资产(11-13;16-18)中的相关联的资产执行预测健康分析,所述方法包括以下步骤:
由通过至少一个集成电路(103)执行的所述一组代理(51-53)中的代理(51)通过执行随机模拟来确定对所述一组资产(11-13;16-18)中的资产(11,16)的资产健康状态的未来演变的预测,所述随机模拟使用用于离散状态模型(41-44)的状态之间的转换的转换概率来执行;
由所述代理(51)接收观察信息(61;67),所述观察信息是所述一组资产(11-13;16-18)中的至少一个资产的所观察到的劣化的函数;
由所述代理(51)更新所述预测(80),包括基于所接收到的观察信息更新所述转换概率;以及
基于所述随机模拟的结果生成输出(80;100)。
2.根据权利要求1所述的方法,其中,所述观察信息从另一代理和/或从中央模块通过仅间歇性地建立的通信通道接收。
3.根据权利要求1或2所述的方法,其中,所述代理(51)可操作用于在与其它代理(52,53)更新由所述其它代理(52,53)使用的转换概率的时间相独立的时间更新所述转换概率以执行随机模拟。
4.根据前述权利要求中任一项所述的方法,其中,所述代理(51)以异步方式与所述一组代理(51-53)中的其它代理(52,53)共享关于所述经更新的转换概率的信息。
5.根据前述权利要求中任一项所述的方法,其中,所述观察信息(61)是针对所述资产(11;16)获得的传感器测量的函数。
6.根据权利要求5所述的方法,还包括由所述代理(51)将从其导出的所述观察信息或数据(64)输出到所述一组代理(51-53)中的至少一个其它代理和/或输出到中央模块(54)。
7.根据前述权利要求中任一项所述的方法,其中,所述观察信息(67)是针对不同于所述资产(11;16)的至少一个其它资产(12,13;17,18)获得的传感器测量的函数。
8.根据前述权利要求中任一项所述的方法,其中,所述观察信息包括经修改的转换概率和/或经修改的贝叶斯条件概率。
9.根据前述权利要求中任一项所述的方法,其中,所述离散状态空间(41-44)具有n个状态,其中n是大于2的整数,并且其中所述随机模拟中使用的转换矩阵仅具有n-1个非零非对角矩阵元素,可选地,其中所述观察信息由n-1个转换概率组成。
10.根据前述权利要求中任一项所述的方法,其中所述离散状态空间包括:
所述资产(11,16)的操作不被故障不利地影响的至少一个状态(41);
所述资产(11,16)的操作被故障不利地影响,但是所述资产(11,16)继续操作的至少一个状态(42,43);
所述资产(11,16)由于故障而不操作的状态(44)。
11.根据前述权利要求中任一项所述的方法,其中,所述随机模拟是马尔可夫链蒙特卡洛,MCMC,模拟。
12.根据前述权利要求中任一项所述的方法,其中,所述一组代理(51-53)中的每一个执行随机模拟,以确定与相应代理相关联的所述资产的资产健康状态的未来演变的预测,并且其中,所述代理独立地更新在所述随机模拟中使用的转换概率。
13.根据前述权利要求中任一项所述的方法,还包括:
由中央模块(54)接收关于由所述代理(51-53)更新的转换概率的信息(64-66);
由所述中央模块(54)确定经修改的转换概率;以及
由所述中央模块(54)将所述经修改的转换概率输出到所述一组代理(51-53);
可选地其中,确定所述经修改的转换概率包括利用加权因子加权所接收的信息,进一步可选地,其中所述加权因子取决于与由所述代理确定的经更新的转换概率相关联的可靠性。
14.一种计算***,所述计算***可操作用于对包括在一组资产(11-13;16-18)中的资产(11,16)执行预测健康分析,所述计算***包括至少一个集成电路(103),所述至少一个集成电路可操作用于执行代理(51)以:
通过执行随机模拟来确定对所述资产(11,16)的资产健康状态的未来演变的预测,所述随机模拟使用用于离散状态模型的状态之间的转换的转换概率来执行;
接收基于所述一组资产(11-13;16-18)中的至少一个资产(11,16)的所观察到的劣化的观察信息;
更新所述预测(80),包括基于所接收到的观察信息更新所述转换概率;以及
基于所述随机模拟的结果生成输出。
15.根据权利要求14所述的计算***,其中,所述至少一个集成电路可操作用于执行所述代理(51),以通过仅间歇性地建立的通信通道从另一代理和/或从中央模块接收所述观察信息。
16.一种工业或电力***(10;15),包括:
一组资产(11-13;16-18)以及
根据权利要求14或15所述的计算***(170),用于对所述一组资产(11-13;16-18)中的资产(11,16)执行预测健康分析。
17.根据权利要求16所述的工业或电力***(10;15),其中,所述计算***(170)是所述工业或电力***的用于控制所述资产的分散式控制***(20-24)。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP20178841.1 | 2020-06-08 | ||
EP20178841.1A EP3923214A1 (en) | 2020-06-08 | 2020-06-08 | Method and computing system for performing a prognostic health analysis for an asset |
PCT/EP2021/065171 WO2021249943A1 (en) | 2020-06-08 | 2021-06-07 | Method and computing system for performing a prognostic health analysis for an asset |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115699045A true CN115699045A (zh) | 2023-02-03 |
Family
ID=71078431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180041084.1A Pending CN115699045A (zh) | 2020-06-08 | 2021-06-07 | 用于执行资产的预测健康分析的方法和计算*** |
Country Status (5)
Country | Link |
---|---|
US (1) | US20230221694A1 (zh) |
EP (2) | EP3923214A1 (zh) |
JP (1) | JP2023529429A (zh) |
CN (1) | CN115699045A (zh) |
WO (1) | WO2021249943A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3923213A1 (en) * | 2020-06-08 | 2021-12-15 | ABB Power Grids Switzerland AG | Method and computing system for performing a prognostic health analysis for an asset |
WO2024153600A1 (en) | 2023-01-20 | 2024-07-25 | Hitachi Energy Ltd | Data processing system and data processing method for a substation system, and electric power system substation |
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 (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7788205B2 (en) * | 2006-05-12 | 2010-08-31 | International Business Machines Corporation | Using stochastic models to diagnose and predict complex system problems |
-
2020
- 2020-06-08 EP EP20178841.1A patent/EP3923214A1/en active Pending
-
2021
- 2021-06-07 CN CN202180041084.1A patent/CN115699045A/zh active Pending
- 2021-06-07 EP EP21730233.0A patent/EP4162421A1/en active Pending
- 2021-06-07 WO PCT/EP2021/065171 patent/WO2021249943A1/en unknown
- 2021-06-07 US US18/009,140 patent/US20230221694A1/en active Pending
- 2021-06-07 JP JP2022575460A patent/JP2023529429A/ja active Pending
Also Published As
Publication number | Publication date |
---|---|
EP3923214A1 (en) | 2021-12-15 |
EP4162421A1 (en) | 2023-04-12 |
WO2021249943A1 (en) | 2021-12-16 |
JP2023529429A (ja) | 2023-07-10 |
US20230221694A1 (en) | 2023-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115699045A (zh) | 用于执行资产的预测健康分析的方法和计算*** | |
Peng et al. | A prognosis method using age-dependent hidden semi-Markov model for equipment health prediction | |
Tsui et al. | Prognostics and health management: A review on data driven approaches | |
Moghaddass et al. | An integrated framework for online diagnostic and prognostic health monitoring using a multistate deterioration process | |
US11796992B2 (en) | Condition-based method for malfunction prediction | |
CN113837427B (zh) | 用于对资产执行预测性健康分析的方法和计算*** | |
US7200520B2 (en) | Device and method for monitoring an electric power station | |
Cheng et al. | Multivariate state estimation technique for remaining useful life prediction of electronic products | |
RU2649542C1 (ru) | Способ и система удаленного мониторинга объектов | |
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 | |
JP2021193557A5 (zh) | ||
Verma et al. | A systemic approach to integrated E-maintenance of large engineering plants | |
TAng et al. | Dynamic condition-based maintenance policy for degrading systems described by a random-coefficient autoregressive model: A comparative study | |
US20200332773A1 (en) | A prognostics and health management model for predicting wind turbine oil filter wear level | |
Wang et al. | Maintenance decision based on data fusion of aero engines | |
Agarwal et al. | Predictive based monitoring of nuclear plant component degradation using support vector regression | |
Shao et al. | Remaining useful life prediction method for Degradation–Shock dependence: Case of a subsea hydraulic control system | |
Makis | A comparison of Hidden Markov and Semi-Markov modeling for a deterioration system subject to vibration monitoring | |
Iranmanesh et al. | On the moment estimation of an inverse Gaussian deteriorating system subject to an imperfect maintenance | |
Alamaniotis et al. | Predictive based monitoring of nuclear plant component degradation using a support vector regression approach | |
CN114008549A (zh) | 用于确定剩余使用周期的方法、剩余使用周期确定电路、剩余使用周期确定设备 | |
Zurita Millán | Contributions to industrial process condition forecasting applied to copper rod manufacturing process | |
Khaleghei Ghosheh Balagh | Modeling, estimation, and control of partially observable failing systems using phase method | |
Özer | Predictive maintenance algorithm design for bus door systems | |
Balagh | Modeling, estimation, and control of partially observable failing systems using phase method |
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: 20240110 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 |