异常聚合方法技术

本发明专利技术提供了一种聚合异常值的方法。该方法包括从至少一个机器获得操作数据，根据该操作数据计算至少一个特殊异常评分。然后聚合该特殊异常评分，以标识急性或慢性异常值。

【技术实现步骤摘要】

这里所描述的系统和方法一般涉及聚合(aggregating)异常值。更 具体的，该系统和方法涉及对相比于少量组的相关工程或操作数据而言 的无关(即异常)工程或操作数据进行聚合的统计技术。
技术介绍
在发电设备(例如涡轮机、压缩机、发电机，等)的操作和维护中， 接收并存储与机器的各种属性对应的传感器读数。这些传感器读数通常 称为"标记"，并且存在i午多类型的标记(例如振动标记、效率标记、温 度标记、压力标记，等)。随时密切监视这些标记对于理解机器恶化特征(例如对单元的内部 损坏、压缩机事件、计划与非计划跳闸)具有许多好处。例如，压缩机 中转子振动值(随着时间)的增加可能表示严重的问题。更好的知道机 器中的恶化也改善了通过用作机器事件的提前指示器的一组内建规则或 警报进行的故障诊断能力。将所有的标记异常连同所设计的规则警报一 起同时显示使得机器监视和诊断、以及新规则/警报的创建极其有效并且 效率极高。负责监视和诊断的人可以立即对关键偏差进行关注。然而，传感器数据中存在相当大数量的噪声。为了去除噪声并能够 在不同时间或不同机器之间进行比较，需要进行许多不同的修正，并且 需要使用许多不同的控制因素。即使这样，也非常难以同时监视许多标 记(可以有几百到数千个标记)并诊断数据中的这些异常。从数据中去除噪声并捕捉或以可使用的格式(例如幅度和方向)标 识异常，并然后在规则或模型建造中使用该异常信息是许多不同的企业、 才支术和领域中所必须的一个过程。在工程应用中，监视和诊断组典型的 通过控制图表、直方图、以及散布图以常规和特别的方式解决该问题。现存的熟知统计技术包括z评分，其用来评估一个组中的一个特定 值是离群值、也就是异常值的程度。典型的z评分是基于对一个组的平 均和标准偏差的计算。虽然z评分可以有效的评估群体大的组中的单次 观察出现异常的程度，但是当在只包含少量值的数据集上使用时，z评分 已经显示出失去了指示异常的有效性。当计算异常评分时，经常是这样一种情况只使用一些值来进行计 算。例如，当将一个机器(例如涡轮机)与一组等同的机器(例如类似 的涡轮机)进行比较时，经常的情况就是，难以标识稍微多一点的可以 合理的当作该目标机器的同等体的机器。另外，通常想要评估有限时间 期间内可能仅仅已经在当前配置下工作的机器的性能。于是，通常使用 标准z评分作为异常评分的测量是不理想的或者是不精确的，因为标准z评分对于小数据集并不有鲁棒性。因此，本领域需要一种能够简易的标识、量化、聚合和显示各种类 型的发电设备所经历的异常的处理、方法和/或工具。而且，该处理、方 法和/或工具应该允许将异常信息转换为有意义的信息，诸如所关心事件的提前指示器。
技术实现思路
本专利技术提供了 一种用于标识异常值的方法。该方法包括从至少 一个 机器获取操作数据，以及根据该操作数据计算至少一个特殊异常评分。 然后可以聚合该特殊异常评分，以标识异常值。本专利技术提供了一种用于聚合异常值的方法。该方法包括从至少一个 机器获取操作数据，以及根据该操作数据计算至少一个特殊异常评分。 可以通过计算至少一个幅度异常测量值来聚合该特殊异常评分。该幅度 异常测量值标识预定时间周期内该特殊异常评分的平均值。也可以通过 计算至少一个频率异常测量值来聚合该特殊异常评分。该频率异常测量 值标识具有异常值的任何预定时间周期的百分比。附图说明图1为特殊异常评分截止表。图2所述为该特殊异常评分的描述统计。图3的曲线图描述了基于该Z内值(Z-Withins )的经验结果对该截 止值与异常分布百分比之间进行的转换。 图4描述了该Z内值的分布。图5描述了该Z间值(Z-Between value)的分布。图6描述了两个单独机器的Z内值随着时间的变化。图7描述了 31个单独机器的Z内值随着时间的变化。图8描述了每日绝对平均值和百分比异常值随着时间的变化。图9描述了最大百分位Z间值和最大百分位Z内值的一组数据的图表。图IO的表格描述了每日幅度和频率异常评分以及用于Z间值和Z内值的每日百分位。图ll描述的热图(heatmap)包括多行和多列。该热图的列表示时 间周期，并且行表示所关心的量度，诸如振动和性能测量。图12描述了另一个热图，其提供了一个示例机器在24小时期间的 快照。具体实施例方式在监视和诊断(M&D)中，从数据中去除噪声是关键部分。当每秒需 要同时监视许多变量时，这就变得不再是微不足道的了，并且当需要条 件调节(例如温度、工作模式、压力，等)时，就更是如此。这里描述 了异常检测和聚合处理以及热图工具，其对于监视和诊断非常有用，并 且是一种革新。当本专利技术所实施的该处理、方法和工具应用于发电设备 时尤其有用，i者如压缩机、发电机和涡轮机。然而，该处理、方法和工 具可以应用于需要监视的任何机器或系统。例如，可以使用本专利技术的其 它机器有燃气轮机、水电轮机、蒸汽轮机、生物燃料轮机、风力涡轮机、 引擎、发电机组以及机车。该处理、方法和工具包括五个主要特征(1 )计算用于工程数据(例如用于操作传感器数据)的特殊异常评 分(EAS)。特殊异常评分(exceptional anomaly scores)将相比于少 量组的相关数据而言的异常数据量化。EAS在标识异常观察方面优于Z 评分和控制图统计。(2)创建用于特殊异常评分的多个灵敏度设置，从而用户可以定义 在一组给定的标记和时间点他们可以有效并高效率的监视哪一百分比的 数据。而且，这些不同的灵敏度设置可以用来增加诊断(例如警报创建)。(3 )提供用于聚合不同数据粒度的各种异常观察(例如每小时与每 日的异常观察)的方法。这些不同的异常观察可以彼此连接并且可以相 互转换。每小时异常观察可以传送到每日异常观察。(4) 创建警报。这些警报是基于规则的触发器，其可以由终端用户 定义或者基于分析手段提供，以标识具有超前时间(lead-time)的事件(例如压缩机事件)。警报是基于特殊异常评分和原始传感器数据的。警 报也可以使用灵敏度设置调节和特殊异常评分的聚合属性。(5) 创建将数据转换为信息的热图。热图是一种用于在每个具体机器单元上对跨越许多不同时间点的所选择的大量标记执行的异常值检测 的可视化工具。热图描述了异常密度和"目标观察"的方向。热图也可 以包含警报的可视描述，并引导对给定机器的热点传感器值的即时关注。热图也可以提供对等同体(peers)分析的比较，其能够让工作组以更大 精度的动态标识引导器和标记器、以及跨越不同时间标度(例如每秒、 分钟、小时、日，等)的市场机会。 计算特殊异常评分为了解释单元/机器和环境变量以及确定一个标记的给定值对于目标单元而言是否超出预期范围(即异常)，可以使用境况信息(context information)来形成分析该目标单元的标记数据的基础。该境况信息可 以取自两个主要来源该目标单元的过去性能，以及该目标单元的等同 体的性能。通过使用这种境况信息来量化该组内或该单元自己性能内所 存在的变量的典型量，就可以系统的并严格的将当前标记数据与境况数 据进行比较，并精确的评价该目标单元的标记值中的异常数据的级别。如上所示，使用境况信息来适当的评估给定标记为异常所达到的程 度。为了得到有效评估，必须适当的选择境况数据。当在本文档来自技高网...

【技术保护点】
一种用于标识异常值的方法，该方法包括：　从至少一个机器中获得操作数据；　根据所述操作数据计算至少一个特殊异常评分；　聚合所述至少一个特殊异常评分。

【技术特征摘要】
...

【专利技术属性】
技术研发人员：D森特克多加纳克索伊，CA拉康布，RJ鲁西盖伊，PT斯克罗尼克，AJ特拉瓦利，
申请(专利权)人：通用电气公司，
类型：发明
国别省市：US[美国]