用于表征系统中的一个或多个故障的方法技术方案

本发明专利技术涉及一种表征系统中的一个或多个故障的方法，系统将多个内部物理量组合在一起并由多个限制物理量界定，该系统由健康模型建模，健康模型建立了在没有故障的情况下使所述内部物理量彼此关联并将其与边界物理量相关联的关系，故障被定义为相对于健康模型使所述内部物理量彼此关联并将其与边界物理量相关联的关系的改变，其中故障被表征为对在涉及故障矩阵的一系列迭代中的涉及所述故障的迭代的数量进行计数。

A method for characterizing one or more faults in a system

The invention relates to a method for characterizing one or more faults in a system. The system combines multiple internal physical quantities and is defined by multiple restricted physical quantities. The system is modeled by a health model, which establishes the relationship between the internal physical quantities and the boundary physical quantities in the absence of faults. Faults are defined as relative to health A change in the relationship between the internal physical quantities and the boundary physical quantities, wherein the fault is characterized by counting the number of iterations involving the fault in a series of iterations involving the fault matrix.

【技术实现步骤摘要】
【国外来华专利技术】用于表征系统中的一个或多个故障的方法本专利技术的一般
和内容本专利技术涉及对物理系统的控制和监视的领域。更具体地，本专利技术涉及对复杂工业系统的一个或多个故障的表征。任何系统都可能有故障，也就是说对表示操作的一些物理量的不期望的修改，这可能是由于许多因素(部件的老化、部件出故障等)引起的。这些故障可以采取不同形式，这取决于它们的性质和相关部件，并且在表示系统操作的物理量中反映不同。然而，系统中的故障损害了系统的操作，然后系统相对于没有故障的系统(其被称为健康系统)的操作具有退化的操作。随时间推移，工业系统的性能及其维护构成了所有行业的主要挑战。用于维护的停机的次数和持续时间的限制以及效率的优化是营业利润的重要来源。工业系统效率的优化尤其涉及不同退化影响的尽可能精确的检测、定位和量化。该信息可以触发适当的维护动作，并且可以随着时间的推移用于定义有效的预防性维护策略。每个重要的工业系统都配备有传感器，其任务是监视表示系统操作的物理量所采用的值。当来自传感器的测量结果与通常接受的值不同时，检测到问题，这指示系统的部件的性能或内部过程退化。然而，这种检测不提供关于系统中故障性质的信息，而是仅可以检测其症状。此外，系统可能具有故障，尽管其影响一个或多个测量值，但不会引起对要检测的这些测量值的充分修改，特别是因为物理量的值作为系统外部的管理和物理量的函数。然后归结为：操作者通过实施不同的工具(诸如决策树、数字仿真模型)或取而代之的是基于统计学习方法的工具并且尤其是基于系统行为的个人经验或其他人在这些工具中记录的经验的工具，来分析测量结果以尝试表征系统中的故障。因此，对故障的检测和表征是基于对大量信息和各种类型(测量、专业知识、不确定性、建模)和复杂交互的处理。对于非平凡的情况，对这种诊断的执行需要系统地求助于专家服务，并且没有任何方法能够整合所有复杂性中遇到的问题。此外，进行这些操作所需的时间也延迟了纠正故障所需的动作的实施。已经使用电子监视(e-监视)学习算法开发了监视方法。这些学习算法试图使用在无故障模式和存在已知故障的情况下的系统的监视数据的历史记录来表征系统的行为。学习算法使用传感器测量出的值，并将它们与学习数据库的数据进行比较。例如，文献EP1677172A2描述了一种用于监视和检测飞机引擎中的故障的方法，其中残差被计算，其对应于检测到的信号与基于扩展式卡尔曼滤波器的估计之间的差异。然后，根据贝叶斯假设检验，从残差开始确定属于已知类型的故障之一的概率，相关水平最终使得可以获得检测到的误差的严重性。然而，基于学习的方法难以应用于复杂系统，这是因为它无法根据经验地探索系统的所有标称操作条件，尤其是因为这些诊断方法通常受限于它们可以嵌入的传感器的数量。另外，几乎不可能保证这种方法的监督学习周期确实对应于装置的标称操作。关于使用这些方法的经验教训证明大量生成了与学习限制相关的错误警报，也就是说，表征标称操作和故障的区域的错误。然而，对系统中干预的故障的表征是特别重要的，这是因为它决定了纠正这些故障所采取的行动。对故障表征缺乏确定性可能会妨碍完成适当的行动，该行动可以纠正故障，并从而重新获得生产损失或防止受影响部件状态的恶化。此外，学习算法需要定期且完全地重新学习系统的行为，以在特定操作条件下丰富其知识或补偿计量问题(传感器的重新校准)。因此证明了这种算法的维护和更新特别繁重。另外，学习算法只能检测和识别已经遇到的由操作员识别并在算法中实现的操作的退化。此外，基于学习算法的这种方法需要系统已经被物理安装并且需要具有测量历史数据库。直接后果是这些诊断工具在接收新的工业系统时无法实施。
技术实现思路
本专利技术在下文中描述了一种用于表征系统中的一个或多个故障的方法，该方法利用系统的标称行为的知识，无论其边界条件如何，并且没有尺寸限制，并且使得可以识别和以详细的方式表征在系统中发生的故障。为此，本专利技术提出了一种用于表征系统中的一个或多个故障的方法，所述系统将多个内部物理量组合在一起并由多个边界物理量界定，该系统由健康模型建模，该健康模型建立了在没有故障的情况下使所述内部物理量彼此关联并且将其与边界物理量关联的关系，故障被定义为相对于健康模型改变使所述内部物理量彼此关联并且将其与边界物理量关联的关系，所述系统设有多个传感器，其测量内部物理量和外部物理量的值，该方法包括实施以下步骤：·通过读取传感器测量到的内部物理量的值，构建内部物理量集的测量值的矢量，·通过测量值的矢量和模拟测量值的矢量之间的差来确定实际症状的矢量，模拟测量值的所述矢量将通过从边界物理量模拟健康模型所获得的内部物理量的值组合在一起，·并且，对于所确定的迭代次数：ο通过使用当前故障矢量的每个故障值的概率定律进行伪随机采样从当前故障矢量确定所提出的故障矢量，故障矢量将表示一个或多个故障的值组合在一起；ο使用以下来确定所提出的故障矢量的接受概率：实际症状矢量、故障矩阵、当前故障矢量、给定当前故障矢量的实际症状矢量的概率分布、所提出的故障矢量、给定所提出的故障矢量的实际症状矢量的概率分布、以及故障矢量值的出现的先验概率分布，所述故障矩阵将每个故障对内部物理量的后果组合在一起；ο根据所提出的故障矢量的接受概率，将当前故障矢量替换或不替换为所提出的故障矢量，·通过计算涉及所述故障的迭代次数来表征故障。本专利技术有利地通过单独地或根据它们不同的可能组合所采用的以下不同特征来完成：-确定所提出的故障矢量的接受概率使用所提出的症状矢量和当前症状矢量，使用故障矩阵从当前故障矢量确定当前症状矢量，并且使用故障矩阵从所提出的故障矢量确定所提出的症状矢量；-故障矩阵的每列对应于至少一个故障的签名矢量，该签名矢量表示所述故障对由传感器测量出的内部物理量的影响，并且矩阵的行数由所考虑的测量出的内部物理量的数量来确定，并且矩阵的列数由所考虑的故障的数量来确定；-该方法包括确定故障矩阵的先前步骤，其中针对每个故障：-通过从边界物理量模拟健康模型来确定模拟测量结果的第一矢量；-通过模拟健康模型通过根据故障改变健康模型与相同边界物理量的关系来确定模拟测量结果的第二矢量；确定对应于第二矢量和第一矢量之间的差的故障的签名矢量；-影响系统的故障集是预先已知的并被输入到已知故障的矢量，并且在迭代期间，当前故障矢量由已知故障的矢量完成；-根据故障矩阵、当前故障矢量和已知故障的矢量来确定当前症状矢量，并根据故障矩阵、所提出的故障矢量和已知故障的矢量来确定所提出的症状矢量；-对故障的表征包括确定系统中存在故障的概率和/或确定该故障的值；-通过比较所提出的故障矢量的点处的联合定律密度与当前故障矢量的点处的联合定律密度来确定所提出的故障矢量的接受概率，通过以下来确定上述点处的联合定律密度：实际观察到的症状的矢量、故障矩阵、所提出的故障矢量、当前故障矢量、给定当前故障矢量的症状矢量的概率分布、给定所提出的故障矢量的症状矢量的概率分布、以及故障矢量值的出现的先验概率分布。本专利技术还涉及一种计算机程序产品，包括用于在计算机上执行所述程序时执行根据本专利技术的方法的步骤的程序代码指令。优选地，该计算机程序产品采用计算机可读的支持形式，其上存储有所述程序代码指令。附图说明本专利技术的其他特征、目的和优点将从以下描述中变得清楚，该描述纯本文档来自技高网...

【技术保护点】
1.一种用于表征系统中的一个或多个故障的方法，所述系统将多个内部物理量组合在一起并由多个边界物理量界定，所述系统由健康模型建模，所述健康模型建立了在没有故障的情况下使所述内部物理量彼此关联并使所述内部物理量与所述边界物理量关联的关系，故障被定义为：相对于所述健康模型使所述内部物理量彼此关联并使所述内部物理量与所述边界物理量关联的关系的改变，所述系统设有测量内部物理量和外部物理量的值的多个传感器，所述方法包括实施以下步骤：·通过读取由所述传感器测量出的内部物理量的值，确定内部物理量集的测量出的测量结果的矢量(S01)，·通过测量出的测量结果的矢量与预期测量结果的矢量之间的差来确定实际症状的矢量(S03)，所述预期测量结果的矢量将从边界物理量通过模拟健康模型所获得的内部物理量的值组合在一起，其特征在于，所述方法还包括实施以下步骤：·对于确定的迭代次数：o通过对当前故障矢量的每个故障值使用概率定律进行伪随机采样从所述当前故障矢量确定所提出的故障矢量(S04)，故障矢量将表示一个或多个故障的值组合在一起；o使用以下来确定所提出的故障矢量的接受概率(S05)：实际症状矢量、故障矩阵、当前故障矢量、给定当前故障矢量的实际症状矢量的概率分布、所提出的故障矢量、给定所提出的故障矢量的实际症状矢量的概率分布、以及故障矢量值的发生的先验概率分布，所述故障矩阵将每个故障对所述内部物理量的作用结果组合在一起，o根据所提出的故障矢量的接受概率，将所述当前故障矢量替换或不替换为所提出的故障矢量(S06)，·通过计算在当前故障矢量中涉及所述故障的迭代次数来表征故障(S07)。...

【技术特征摘要】
【国外来华专利技术】2016.12.22 FR 16632611.一种用于表征系统中的一个或多个故障的方法，所述系统将多个内部物理量组合在一起并由多个边界物理量界定，所述系统由健康模型建模，所述健康模型建立了在没有故障的情况下使所述内部物理量彼此关联并使所述内部物理量与所述边界物理量关联的关系，故障被定义为：相对于所述健康模型使所述内部物理量彼此关联并使所述内部物理量与所述边界物理量关联的关系的改变，所述系统设有测量内部物理量和外部物理量的值的多个传感器，所述方法包括实施以下步骤：·通过读取由所述传感器测量出的内部物理量的值，确定内部物理量集的测量出的测量结果的矢量(S01)，·通过测量出的测量结果的矢量与预期测量结果的矢量之间的差来确定实际症状的矢量(S03)，所述预期测量结果的矢量将从边界物理量通过模拟健康模型所获得的内部物理量的值组合在一起，其特征在于，所述方法还包括实施以下步骤：·对于确定的迭代次数：o通过对当前故障矢量的每个故障值使用概率定律进行伪随机采样从所述当前故障矢量确定所提出的故障矢量(S04)，故障矢量将表示一个或多个故障的值组合在一起；o使用以下来确定所提出的故障矢量的接受概率(S05)：实际症状矢量、故障矩阵、当前故障矢量、给定当前故障矢量的实际症状矢量的概率分布、所提出的故障矢量、给定所提出的故障矢量的实际症状矢量的概率分布、以及故障矢量值的发生的先验概率分布，所述故障矩阵将每个故障对所述内部物理量的作用结果组合在一起，o根据所提出的故障矢量的接受概率，将所述当前故障矢量替换或不替换为所提出的故障矢量(S06)，·通过计算在当前故障矢量中涉及所述故障的迭代次数来表征故障(S07)。2.根据权利要求1所述的方法，其中，确定所提出的故障矢量的接受概率另外使用了所提出的症状矢量和当前症状矢量，使用所述故障矩阵从所述当前故障矢量来确定所述当前症状矢...

【专利技术属性】
技术研发人员：奥雷利安·施瓦茨，大卫·皮诺，
申请(专利权)人：法国电力公司，美特罗斯科普公司，
类型：发明
国别省市：法国,FR