[发明专利]用于诊断压缩机的方法和系统

说明书

技术领域

本文公开的发明主题的实施例一般涉及方法和系统，并且更具体地说涉及用于诊断一般的机器(以及具体来说，压缩机)的机制和技术。

背景技术

目前有大量的机器(如压缩机的工业机器)安装在多种设施处并用于处理油料和气体。此类机器可能遭遇指示缺陷或故障模式的征兆。由于这些机器的技术复杂性，机器的用户可能没有能力处理这些征兆。因此，有技术能力确定影响机器的问题的机器制造商与用户达成维护和诊断协议，以确保在充分操作状态中监视和维护这些机器。为此原因，机器制造商可能将多个传感器安装在用户的位置处以用于监视机器的“健康”。相同制造商可能与多个客户有多个合同。

预报和健康管理(PHM)是一个新兴技术，其支持如机车、医疗扫描器、飞行器引擎、涡轮和压缩机等的资产的合同服务协议(CSA)的有效执行。PHM的一个目的在于长时间地维持这些资产的操作性能，从而在将它们的维护成本最小化的同时提高它们的利用。PHM可以用作产品微分器，以降低资产的保证期期间原设备制造商服务的成本或依据CSA更有效率地提供服务。

图1示出传统PHM系统10。根据此附图，在执行传统准备任务(如传感器验证单元12中的传感器验证和处理单元14中的输入数据预处理)之后，PHM系统10在单元16中执行异常检测和识别、在单元18中执行诊断分析、在单元20中执行预报分析、在单元22中执行故障调节和在单元24中执行后勤决策。这些动作是本领域技术人员公知的，为此本文省略其详细描述。

异常检测单元利用非监督学习技术，如聚类。其目的是从数据提取底层结构信息，定义正常结构和识别与此类正常结构的偏离。诊断单元利用监督学习技术，如分类。其目的是从数据提取潜在表征(signature)，这些表征可以被用于识别不同的缺陷/故障模式。预报单元产生剩余有效期(RUL)的估计。其目的是维护并预测资产健康指标。最初，此指标反映正常操作状况下预期退化。后来，通过异常/故障发生修改了此指标，从而反映更快速的RUL减少。

上文论述的功能是机器状态的解释。这些解释引申到平台内控制动作和平台外后勤、维修和规划动作。平台内控制动作常常着重于维持性能或安全性边际，并且实时地执行。平台外维护/维修动作覆盖更复杂的离线决策。它们需要决策支持系统(DSS)，其执行多目标优化、探索校正动作的前沿以及将它们与偏好聚合组合以生成最佳决策权衡。

但是，用于计算有关压缩机的现存征兆确定的诊断的相关性的传统算法不总是准确的，且有时它们是引起歧义的。因此，期望提供避免前述问题和缺点的系统和方法。

发明内容

根据一示范实施例，有一种诊断压缩机的方法。该方法包括生成压缩机的特征向量，压缩机的特征向量包括描述该压缩机的多种部件的状态的分量；基于模糊约束确定与特征向量对应的聚合的异常向量；定义该压缩机的可能缺陷/故障模式的预设列表的规则；计算聚合的异常向量与规则之间的确证测量；以及基于确证测量的结果来识别该压缩机的缺陷/故障模式。

根据另一个示范实施例，有一种用于诊断压缩机的系统。该系统包括：配置成接收有关压缩机的测量数据的接口；以及配置成接收测量数据的处理器。该处理器配置成基于测量数据生成压缩机的特征向量，该压缩机的特征向量包括描述该压缩机的多种部件的状态的分量，基于模糊约束确定与特征向量对应的聚合的异常向量，检索压缩机的可能缺陷/故障模式的预设列表的规则，计算聚合的异常向量与规则之间的确证测量，以及基于确证测量的结果来识别该压缩机的缺陷/故障模式。

根据又一个示范实施例，有一种包含计算机可执行指令的计算机可读介质，其中这些指令在被执行时，实现用于诊断压缩机的方法。该方法包括生成压缩机的特征向量，压缩机的特征向量包括描述该压缩机的多种部件的状态的分量；基于模糊约束确定与特征向量对应的聚合的异常向量；确定该压缩机的可能缺陷/故障模式的预设列表的规则；计算聚合的异常向量与规则之间的确证测量；以及基于确证测量的结果来识别该压缩机的缺陷/故障模式。

附图说明

并入本说明书中并构成其一部分的附图图示一个或多个实施例，并且连同描述解释这些实施例。在这些附图中：

图1是常规压缩机诊断系统的示意图；

图2是根据示范实施例的压缩机诊断系统的示意图；

图3和图4是示出根据示范实施例的模糊阈值的曲线图；

图5是图示根据示范实施例的用于检测压缩机的缺陷/故障模式的过程的流程图；