用于优化旋转设备的诊断的方法和装置制造方法及图纸

用于优化旋转设备的诊断的方法和装置。本发明专利技术总体上涉及用于优化旋转设备，尤其是燃气轮机的诊断的方法和装置。该装置包括：a）用于在一系列时间窗上提供关于旋转设备的状态的状态信息的装置（11），由此可以从在可预定的时间段内进行测量的至少一个可用传感器的传感器特征（10）导出状态，b）用于使用深度学习的装置（20），所述深度学习组合提供的历史传感器信息和指示旋转设备的警告和/或警报的事件的序列数据，c）由此用经由深度学习预测的是否已经在时间窗内发生了警告和/或警报的概率来补充状态信息，​​d）用于提供许多文本诊断知识案例的装置（24），e）用于从文本诊断知识案例提取关于文本特征的语义信息的装置（17），以及f）用于将状态信息和语义信息组合成使得能够优化诊断的统一表示的装置（19）。

【技术实现步骤摘要】
【国外来华专利技术】用于优化旋转设备的诊断的方法和装置
本专利技术一般涉及用于优化旋转设备（特别是燃气轮机）的诊断的方法和装置。技术背景旋转设备的远程监控和诊断在实践中是必不可少的。燃气轮机的远程诊断是复杂的任务，其可被分为三个步骤：（1）检测，（2）隔离，以及（3）诊断。最近，对工厂过程安全性、提高的可靠性和可用性、低维护成本以及关于设备健康状况的持续认识的系统化方法的需求不断增加。这种需求挑战现有的工具环境，该工具环境典型地建立在状况监控解决方案和专家系统的采用之上。具体而言，作为系统化诊断的一部分的故障检测、故障隔离、故障机制定义和诊断定义是在工程师的决策制定过程中支持工程师、直到纠正动作建议为止的基本功能性。然而，由于由大量子系统和工艺流导致的技术复杂性，对工业燃气轮机的诊断非常重要，并且需要来自诸如系统力学、空气动力学和热力学（仅举几例）之类的领域的各种工程师的多学科专业知识。直到最近，计算能力的增长才给予来自人工智能领域的自主决策制定方法第二助力（wind），使得可用新方法和工具来应对之前略述的挑战。一个这样的示例是深度学习——一种利用GPU硬件构建具有看不见的能力的模型以从数据中自动构造相关特征的强大方法。在分析阶段，在远程诊断中心（RDC）的专家通常用他关于故障模式和解决方案的发现和假设来丰富以上提及的步骤（1）中可用的传感器数据，所有这些都在票务系统（例如Salesforce或STM-RMS）中用自然语言文档记录为自由文本。尽管这种非结构化的（或半结构化的）文档记录方式对于技术人员来说是方便的，但是很难与其它同事分享在这些注释中表达的知识。它是基于来自过去的相似案例提出解决方案。因此挑战是提供一种系统，该系统可以在诊断期间向技术人员自动提出相关历史案例，其中考虑传感器数据以及（中间）人类生成的内容两者，主要是文本信息。此外，具有需要对参数进行大量手动调整以便良好运行的解决方案实际上是不可行的。到目前为止，远程诊断中心（RDC）中的诊断过程主要是手动的，并且缺乏通过软件工具的支持。以上提及的票务系统Salesforce具有集成功能性，用于发现与当前打开的票相似的票。在该系统中很可能使用诸如在词袋之上的TF/IDF之类的标准测量。术语频率-逆文档频率（TF/IDF）是旨在反映单词对文档多么重要的数字统计。而且，不包括传感器数据。进一步的可能的方法是在将用于识别振动情况的传感器数据的频谱分解之上的基于案例的推理。关于频谱分解的特征向量计算的基础是与学习方法完全不同的方法。经典的基于案例的推理应用的一个方面是手动定义对相似度比较的权重。首先，这样的权重典型地是未知的，并且对于专家定义也不直观。其次，考虑到专家需要定义作为特征的在不同表现之间的“局部”相似度以及将局部相似度组合成全局值的全局组合功能两者，用于收集这样的相似度“估计”的努力是相当大的。考虑到传感器和文本信息两者，先前提及的大多数潜在工作解决方案的共同缺点是不能够自动预测相关历史案例，也不可以避免大量的手动参数化。本专利技术的一个目的是提供一种方法，该方法将文本信息集成到基于学习的方法中以优化燃气轮机诊断。
技术实现思路
以上提及的目的通过用于优化旋转设备的诊断的、包括独立权利要求的特征的一种方法和一种或多种装置来实现。在从属权利要求中描述该专利技术的优选实施例。本专利技术的一个方面是将文本信息（动态地）集成到基于学习的方法中以优化燃气轮机诊断。该专利技术方法支持远程诊断中心的工程师。它基于自然语言处理（NLP）技术与深度学习的组合，该自然语言处理（NLP）技术允许我们在由工程师写下的大量诊断知识上构建，该深度学习包括关于从可用传感器导出的实际轮机状态的信息。该方法被嵌入到在基于物理、基于规则和数据驱动方法上构建的整体系统工作流中。该框架支持工程师识别相关信息，从而显著减少故障检修时间，提高技术响应能力和容量两者。提出的专利技术要求保护一种用于优化旋转设备诊断（特别是燃气轮机诊断）的方法，该方法包括以下步骤：a）在一系列时间窗上提供关于旋转设备的状态的状态信息，由此状态是从在可预定义的时间段期间进行测量的至少一个可用传感器的传感器特征导出的，b）使用深度学习，所述深度学习将提供的历史传感器信息与指示旋转设备的警告和/或警报的事件的序列数据组合，c）由此用经由深度学习预测的是否已经在时间窗内发生了警告和/或警报的概率来补充状态信息，d）提供许多文本诊断知识案例，e）从文本诊断知识案例提取关于文本特征的语义信息，以及f）将状态信息和语义信息组合成使得能够优化诊断的统一表示。这样的优化的诊断导致调节旋转设备的操作和/或维持旋转设备。深度学习可以使用基于案例的推理学习方法。自然语言训练方法可以用于提取所述语义信息。不同的权重可以应用于不同类型的文本特征。该提取的结果优选是一组文本特征向量，对于每个文本诊断知识案例一个所述向量。可以通过将案例相对于训练的案例分类来确定一个文本特征向量，导致不同的集群带来案例相似度计算，由此向量包含与集群存在的一样多的集群隶属度（membershipdegree）。不同类型的文本特征可以是受影响的部分和/或观察的症状。深度学习可以自动识别使得两个所述时间窗相似或不相似的潜在结构，以便预测所述概率。来自可预定义的时间段（例如24h）的具有所述概率的状态信息由向量表示。可预定义可意味着用户可以输入或选择时间段，或者该时间段由默认值设置，例如24小时。所述统一表示导致一个统一的传感器和文本特征向量。该专利技术的进一步的方面是一种用于优化燃气轮机诊断的装置，包括：a）用于在一系列时间窗上提供关于旋转设备的状态的状态信息的装置（11），由此状态可以是从在可预定义的时间段期间进行测量的至少一个可用传感器的传感器特征（10）导出的，b）用于使用深度学习的装置（20），所述深度学习将提供的历史传感器信息与指示旋转设备的警告和/或警报的事件的序列数据组合，c）由此用经由深度学习预测的是否已经在时间窗内发生了警告和/或警报的概率来补充状态信息，d）用于提供许多文本诊断知识案例的装置（24），e）用于从文本诊断知识案例提取关于文本特征的语义信息的装置（17），以及f）用于将状态信息和语义信息组合成使得能够优化诊断的统一表示的装置（19）。该专利技术的进一步的方面是一种可直接加载到计算机的内部存储器中的计算机程序（产品），包括软件代码部分，用于当所述计算机程序（产品）在计算机上或在以上提及的装置之一上运行时执行以上提及的方法的步骤。由准确的处理时间的估计的需求所激励的这样的用于柔性制造系统内的上下文感知分析的框架是本专利技术方法的益处。与最先进的自适应学习模型相比，它可以被成功应用并且犯更少的预测错误。更准确的处理时间的估计直接影响制造系统的生产量时间和周期时间的可靠性，这是用于优化的生产计划和调度的基础。附图说明当结合附图阅读时，从下面的具体实施方式中最好地理解本专利技术的前述和其它方面。出于图示该专利技术的目的，附图中示有目前优选的实施例，但是应当理解：该专利技术不限于公开的特殊手段。附图中包括下面的图：图1示意性地示出使用基于CBR和NLP的集群和排序的概念，图2示意性地示出用于分类事件的时间窗并提取紧凑的潜在特征表示的深度学习，图3描绘将来自CBR和NLP的特征向量组合成一个统本文档来自技高网...

【技术保护点】
1.用于优化旋转设备的诊断的方法，包括以下步骤：a）在一系列时间窗上提供关于旋转设备的状态的状态信息，由此状态是从在可预定义的时间段期间进行测量的至少一个可用传感器的传感器测量导出的，b）使用深度学习，所述深度学习将提供的历史传感器信息（23，24）与指示旋转设备的警告和/或警报的事件的序列数据组合，c）由此用经由深度学习预测的是否已经在时间窗内发生了警告和/或警报的概率来补充状态信息，其中c1）所述深度学习自动识别使得两个所述时间窗相似或不相似的潜在结构，以便预测所述概率；d）提供许多文本诊断知识案例，e）从文本诊断知识案例提取关于文本特征的语义信息，以及f）将状态信息和语义信息组合成使得能够优化诊断的统一表示。

【技术特征摘要】
【国外来华专利技术】2016.03.22 EP 16161609.91.用于优化旋转设备的诊断的方法，包括以下步骤：a）在一系列时间窗上提供关于旋转设备的状态的状态信息，由此状态是从在可预定义的时间段期间进行测量的至少一个可用传感器的传感器测量导出的，b）使用深度学习，所述深度学习将提供的历史传感器信息（23，24）与指示旋转设备的警告和/或警报的事件的序列数据组合，c）由此用经由深度学习预测的是否已经在时间窗内发生了警告和/或警报的概率来补充状态信息，其中c1）所述深度学习自动识别使得两个所述时间窗相似或不相似的潜在结构，以便预测所述概率；d）提供许多文本诊断知识案例，e）从文本诊断知识案例提取关于文本特征的语义信息，以及f）将状态信息和语义信息组合成使得能够优化诊断的统一表示。2.根据前述权利要求所述的方法，其中这样的优化的诊断导致调节旋转设备的操作和/或维持旋转设备。3.根据前述权利要求中的至少一项所述的方法，其中深度学习使用基于案例的推理学习方法。4.根据前述权利要求中的至少一项所述的方法，其中自然语言训练方法用于提取所述语义信息。5.根据前述权利要求所述的方法，其中该提取的结果是一组文本特征向量，对于每个文本诊断知识案例一个所述向量。6.根据前述权利要求所述的方法，其中通过将案例相对于训练的案例分类来确定一个文本特征向量，导致不同的集群带来案例相似度计算，由此向量包含与集群存在的一样多的集群隶属度。7.根据前述权利要求中的至少一项所述的方法，其中将不同的权重应用于不同类型的文本特征。8.根据前述权利要求中的至少一项所述的方法，其中不同类型的文本特征是受影响的部分和/或观察的症状。9.根据前述权利要求中的至少一项所述的方法，其中来自可预定义的时间段的具有所述概率的状态信息由向量表示。10.根据前述权利要求中的至少一项所述的方法，其中所述统一表示导致一个统一的传感器和文本特征向量。11.用于优化旋转设备的诊断的装置，包括：a）用于在一系列时间窗上提供关于旋转设备的状态的状态信息的装...

【专利技术属性】
技术研发人员：B安德拉西，R阿尔纳特，A阿夫多维奇，M布克利，F布根蒂因，GF策奇尼，Z科塔，T胡鲍尔，D克罗姆帕斯，D纳德里，M罗什钦，S施皮克曼，M维尔纳，
申请(专利权)人：西门子股份公司，
类型：发明
国别省市：德国,DE