CN100504689C - 检测连续过程中的系统部件的故障 - Google Patents

检测连续过程中的系统部件的故障 Download PDF

Info

Publication number
CN100504689C
CN100504689C CNB2004800304586A CN200480030458A CN100504689C CN 100504689 C CN100504689 C CN 100504689C CN B2004800304586 A CNB2004800304586 A CN B2004800304586A CN 200480030458 A CN200480030458 A CN 200480030458A CN 100504689 C CN100504689 C CN 100504689C
Authority
CN
China
Prior art keywords
operating parameter
flow
model
predetermined number
continuous process
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.)
Expired - Fee Related
Application number
CNB2004800304586A
Other languages
English (en)
Other versions
CN1867876A (zh
Inventor
唐纳德·弗雷里希斯
弗兰克·托特
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
ABB AB
ABB Inc USA
Original Assignee
ABB AB
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by ABB AB filed Critical ABB AB
Publication of CN1867876A publication Critical patent/CN1867876A/zh
Application granted granted Critical
Publication of CN100504689C publication Critical patent/CN100504689C/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F22—STEAM GENERATION
    • F22B—METHODS OF STEAM GENERATION; STEAM BOILERS
    • F22B35/00—Control systems for steam boilers
    • F22B35/18—Applications of computers to steam boiler control
    • 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
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F28—HEAT EXCHANGE IN GENERAL
    • F28F—DETAILS OF HEAT-EXCHANGE AND HEAT-TRANSFER APPARATUS, OF GENERAL APPLICATION
    • F28F2265/00—Safety or protection arrangements; Arrangements for preventing malfunction
    • F28F2265/16—Safety or protection arrangements; Arrangements for preventing malfunction for preventing leakage
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Thermal Sciences (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Examining Or Testing Airtightness (AREA)
  • Arrangements For Transmission Of Measured Signals (AREA)
  • Inspection Of Paper Currency And Valuable Securities (AREA)

Abstract

一种用于检测诸如蒸汽发生器的连续过程部件中的故障的方法和设备。使用诸如高级模式识别的建模技术来建立过程的模型，并且该模型用来为过程的预定数目的操作参数生成预测值。统计过程控制方法用来确定这些参数中的一个或多个的预测与实际测量值之间的差是否超过配置的统计界限。规则集用来指示连续过程部件中的实际或可能的故障。

Description

检测连续过程中的系统部件的故障
对相关申请的交叉引用
本申请要求了于2003年10月16日提交的、名称为“A Method ForDetecting Leaks In Tubes Of Steam Boilers”的美国临时专利申请序列号60/511,998的优先权，其内容通过对其整体引用而作为依据并结合于此，并在此要求了35U.S.C.119(e)下的优先权的权益。
技术领域
本发明涉及诸如蒸汽发生器的连续过程，且更具体地，涉及连续过程部件中的故障的检测。
背景技术
诸如蒸汽发生器过程的连续过程系统具有许多部件。蒸汽发生器系统包括锅炉，其具有水流过的管。由于热、压力和随着时间的磨损，锅炉管最终开始泄漏，即开始“泄漏事件”。当一个或多个锅炉管开始泄漏时，由通过其中的泄漏逸出的水闪蒸(flash over)出的蒸汽不再为锅炉环境所有。一般而言，在管泄漏事件的初始时，泄漏的水/蒸汽的量可能是小的。然而，除非管得到维修，泄漏将持续增长，即管泄漏速率随着时间而增加，直到管最终破裂。而且一个管中的破裂可能损坏相邻的管，导致大的总体泄漏。因此，一旦破裂发生，运行锅炉的公用事业公司就被迫立即停止运行锅炉。
锅炉管失效是火力发电厂中的被迫停机的主要原因。例如，仅在美国，每年发生大约41,000个管的失效。对于公用事业公司，这些失效的代价证明是颇为昂贵的，一年超过五十亿美元。[Lind，M.H.，“Boiler TubeLeak Detection System，”Proceedings of the Third EPRI Incipient-FailureDetection Conference，EPRI CS-5395，March 1987]。
为了减少这样的被迫停机的发生，早期锅炉管泄漏检测是高度理想的。早期锅炉管泄漏检测将允许公用事业公司安排在方便的时间维修，而不是遭受后来的被迫停机。另外，检测得越早，限制相邻管损坏的机会就越好。锅炉管泄漏的早期检测所导致的额外的节省由于诸如以下条目而增加：
1)较短的热流率降级周期；
2)较小的由泄漏引起的附属损坏；以及
3)如果捕捉得更快则泄漏本身将更小的潜力。
在现有技术中描述了用以检测锅炉管泄漏的各种方法。美国专利号6,567,795和6,192,352描述了一种使用神经网络和模糊数学的方法。美国专利申请号5,847,266和5,363,693描述了一种使用输入/输出比较的方法。美国专利申请号4,960,079和4,640,121描述了声学方法。现有技术的方法由于不良的模型逼真度和不足的故障容错性而都没有很好地起作用。例如，检测由泄漏的水制造的噪声的声学方法必须与动力室中存在的噪声环境竞争。因此，现有技术的方法的结果不是众多的错误报警，就是未检测到的真实的管泄漏。
发明内容
一种用于检测连续过程部件中的故障的方法。该方法包括建立连续过程的模型；使用所述模型为连续过程的预定数目的操作参数生成预测值；将所述预定数目操作参数中的每个操作参数的、由模型预测的值与操作参数的对应的实际测量值相比较；以及使用统计过程控制(SPC)方法来确定所述预定数目操作参数中的一个或多个操作参数的预测与实际测量值之间的差是否超过配置的统计界限。
一种过程设备。该设备具有计算装置，用于检测在该设备中运转的连续过程部件中的故障。该计算装置用于：
建立连续过程的模型；
使用模型为连续过程的预定数目的操作参数生成预测值；
将所述预定数目操作参数中的每个操作参数的、由模型预测的值与操作参数的对应的实际测量值相比较；以及
使用统计过程控制(SPC)方法来确定所述预定数目操作参数中的一个或多个操作参数的预测与实际测量值之间的差是否超过配置的统计界限。
在一种过程设备中，该过程设备具有：具有一个或多个部件的连续过程；以及用于检测连续过程的一个或多个部件中的故障的计算装置；该计算装置用于：
建立连续过程的模型；
使用模型为连续过程的预定数目的操作参数生成预测值；
将所述预定数目操作参数中的每个操作参数的、由模型预测的值与操作参数的对应的实际测量值相比较；以及
使用统计过程控制(SPC)方法来确定所述预定数目操作参数中的一个或多个操作参数的预测与实际测量值之间的差是否超过配置的统计界限。
一种计算机可读的介质，具有用于执行检测在过程设备中运转的连续过程部件中的故障的方法的指令，所述指令用于：
建立连续过程的模型；
使用模型为所述连续过程的预定数目的操作参数生成预测值；
将所述预定数目操作参数中的每个操作参数的、由模型预测的值与操作参数的对应的实际测量值相比较；以及
使用统计过程控制(SPC)方法来确定所述预定数目操作参数中的一个或多个操作参数的预测与实际测量值之间的差是否超过配置的统计界限。
一种具有处理装置的设备。该处理装置用于：
建立连续过程的模型；
使用模型为连续过程的预定数目的操作参数生成预测值；
将所述预定数目操作参数中的每个操作参数的、由模型预测的值与操作参数的对应的实际测量值相比较；以及
使用统计过程控制(SPC)方法来确定所述预定数目操作参数中的一个或多个操作参数的预测与实际测量值之间的差是否超过配置的统计界限。
附图说明
图1是锅炉/汽轮机动力循环的水/蒸汽侧过程的图。
图1a是示出图1中位置1到24中的每个位置的传感器的表。
图2是示出图1所示过程的高级模式识别模型的实时部署的框图。
图3是示出模型中使用的特定参数的预测值和实际数据之间的良好一致的曲线图。
图4是示出补给流量参数的预测和实际值的曲线图。
图5是示出模型中使用的补给流量和给水流量参数的实际值与预测值的一致、然后偏差的曲线图。
图6是示出包括可以用来实施本发明的计算装置的系统的框图。
具体实施方式
现在参考图1，示出了锅炉/汽轮机动力循环的水/蒸汽侧的过程100的图。本领域的技术人员众所周知的是，水/蒸汽侧过程100包括蒸汽发生器2、高压汽轮机104、中压汽轮机106、低压汽轮机108、发生器110、补给罐112、凝结器114、低压给水加热器116、中压给水加热器118、除气器给水加热器120、高压给水加热器122、凝结水泵124和锅炉馈给泵126。尽管在图1中只示出了一个低压给水加热器116、一个中压给水加热器118和一个高压给水加热器122，应当理解的是，通常存在多个加热器116、118和122，而在图1中示出一个加热器仅为了说明的方便。还应当理解的是，在一些设备中，加热器118位于加热器122和锅炉馈给泵126之间。
诸如压力传感器、温度传感器、流量传感器和功率或其它(miscellaneous)传感器的若干类型的传感器与过程100相关联。在过程100中，这些传感器中的一个或多个处于测量位置1到24。图1a中的表说明了哪些传感器处于各位置1到24。
在过程100中，蒸汽发生器102产生高压蒸汽。由主蒸汽喷射增强的高压蒸汽被馈给到高压汽轮机104。来自高压汽轮机104的膨胀的蒸汽被回馈到蒸汽发生器102，该膨胀的蒸汽在蒸汽发生器102中再热。由再热喷射增强的再热蒸汽被馈给到中压汽轮机106并通过该汽轮机到低压汽轮机108。来自低压汽轮机108的蒸汽被馈给到凝结器114，该蒸汽在凝结器114中凝结为水。附加的水从补给罐112进入凝结器114。
来自凝结器114的水通过凝结水泵124流到低压给水加热器116中。来自低压汽轮机108的抽汽也被馈给到加热器116中。来自低压给水加热器116的经加热的水被馈给到中压给水加热器118中，加热器118也接收来自中压汽轮机106的抽汽。来自中压给水加热器118的经加热的水被馈给到除气器给水加热器120，加热器120也接收来自高压汽轮机104的水。来自除气器给水加热器120的经加热的水通过锅炉馈给泵126流到高压给水加热器122中。加热器122也接收来自高压汽轮机104的水。来自加热器122的经加热的水流到蒸汽发生器102。
本发明使用过程100的水/蒸汽侧的稳态预测模型来检测过程中的管泄漏。存在众多方法用来构建这样的用于诸如过程100的性能良好的系统的模型。这些方法中的几种是：
1.第一原理模型-这些可以良好地起作用，但是构建是昂贵的，并且校准到现有的磨损条件是耗时的。而且，它们趋向于不容忍传感器漂移或传感器失效。
2.神经网络经验模型-这些模型是对第一原理模型的改进，因为它们自动地计入了当前的磨损条件。然而，构建它们是很消耗时间的，并且不容忍随后的传感器漂移、失效或完全在训练范围之外的输入设置。
3.高级模式识别经验模型也自动地计入了当前的磨损条件。它们具有迅速和容易构建的增添的优点并且很容忍多个传感器失效或漂移。
如下面所描述的，在本发明的一个实施例中使用高级模式识别(APR)技术来构建过程100的模型。应当理解的是，包括但不限于上述其它方法的其它技术也可以用来构建用于本发明的模型。如以下结合图2更详细描述的，在构建APR模型之后，对其进行实时部署。可用来生成APR模型的软件产品的一个实例是OptimizeIT On-Target软件，从本申请的要求的最早提交日期起，该软件可以从本发明的受让人处得到。
APR模型可以用于过程100的约50与100个测量参数之间。在特定APR模型中使用的测量的过程参数的精确数目是设备(例如给水加热器的数目和汽轮机抽取点的数目)和设备中可用仪表(instrumentation)的函数。如果一些过程参数不可用，则模型逼真度将轻微地受到损害，但是本发明仍将检测到泄漏，虽然对很小泄漏的检测可能是不可能的，或者可能发生该技术已检测到泄漏的不真实的指示，即可能发生“错误报警”。
现在参考图2，示出了过程100的APR模型200的实时部署。到APR模型200的输入是约50到约100个测量参数的输入，这些参数中的三个在图2中标识为“MU流量”202、“FW流量”204和“Cond流量”206，且其余参数在图2中标识为“其它传感器”208。通过读入参数202、204、206和208的当前值，APR模型200为这些输入参数的每个生成预期的(或模型预测的)值。
参数202、204、206、208的每个的预期值与实际测量值相比较，并且确定称为“DELTA”的两个值之间的差。为了简单说明，图2只示出了MU流量202参数的预期值和实际测量值之间的DELTA的计算210。当DELTA具有正值时，实际测量值大于预期值。
如在图2中由块212所示的，统计过程控制(SPC)方法可以应用于针对单个点或点的组将“正常的”与“不正常的”行为分离。为了简单说明，图2只示出了与MU流量202参数的预期值和实际测量值之间的DELTA相关联的SPC块212。在锅炉管泄漏的情况下，可以假定补给流量202、凝结水流量204和给水流量206的DELTA在大的泄漏发生之后不久变得“不正常”。因此应用SPC工具来计算标准偏差以及对超过配置的统计界限进行检验。
与APR经验模型相结合的SPC方法的使用将在大部分系统操作条件下向设备操作员提示管泄漏的发生。对于大多数单元的循环负载，至少在每日的基础上，并且可能更经常地并由此在负载和其它瞬时(例如碎煤机跳闸(trip))期间，有可能的是，DELTA值可变得足够大而触发统计界限。然而，可以将持续时间因子添加到该界限，使得报警将不触发，直到DELTA值在可配置的时间段内连续地在正方向上在统计上是大的。这消除了瞬时效应。
如上所述，对统计界限的检验将向设备操作员提示较大泄漏的发生，但是大部分泄漏开始时小并随着时间增长。为了识别较小的泄漏，本发明的技术可以将如由图2的块214示出的SPC数据模式检验应用到DELTA值。为了简单说明，图2只示出了块214，其用于对MU流量202参数的预期值和实际测量值之间的DELTA的SPC数据模式检验。可以根据行业接受的模式针对数据模式来检验DELTA值，该行业接受的模式可以是由Western Electric首先开发的众所周知的并且被接受的标准检验，和/或为用于本发明而特别创建的模式或行业标准和特别创建的模式的任何组合。所述模式存储在块214中。
尽管存在许多通常接受的模式检验，感兴趣的是具有正值的一排中“n”个点或“m”个点中的“n”个点之一。一般而言，“n”和“m”的值基于上述的总持续时间和执行计算的频率来建立。另一模式检验可针对DELTA值的保持的增加趋势(例如一排中6个点中的5个点增加)来实施。
确定管泄漏的存在的另一很感兴趣的参数是整体上APR模型200的拟合优度。所有约50个到约100个Delta值由APR模型200用于计算范围在0.0000和1.0000之间的“模型拟合”参数。由APR模型200用来计算模型拟合参数的技术由用来制作APR模型200的软件的出售者来确定。1.0000的模型拟合参数表示完美的模型，就是说，所有约50个到约100个预测输出与它们的对应的输入值完全匹配，并且所有的Delta等于0.00000。0.0000的模型拟合参数表示模型如此不完美以至于没有单独的输出在统计上接近实际测量的参数。在实践中，好的模型拟合参数通常具有约0.97的值。
当管泄漏(或其它显著的设备异常)发生时，整体上对模型的拟合降级，因为许多测量参数受到影响。其中的一些，如三个流量信号MU流量202、FW流量204和Cond.流量206，将有大的变化，而其它的，如FW压力、不透明度、NOx等等，将有较小的变化。此降级将使总模型拟合参数在很短的时间段内降级到诸如0.94或更小的值。再者，统计检验可应用于模型拟合参数，并且该统计检验的结果可用于下面描述的故障规则集。
特别感兴趣的是MU(补给)流量202、总给水流量204和凝结水流量206参数的Delta。如果存在锅炉管泄漏，则本领域的技术人员将预期这三个参数的每个的实际值大于它们相应的模型预测值。因此本发明的方法将这三个Delta中的每个与它们相应的三西格马界限相比较以确定偏差是否为正且在统计上大。为了简单说明，图2只示出了MU流量202参数的Delta的比较224。如果三个参数202、204、206中的任何两个在足以去除瞬时测量效应的时间段内超过这些在统计上大的界限，则其指示了大的锅炉泄漏。该特定时间段对于动力发生单元是特定的，并且依赖于包括蒸汽发生器、仪表和安置仪表的地点的若干因素。在本发明的试运转(commissioning)期间，调节该时间段直到由于负载瞬变和其它设备干扰而导致的故障或损害报警的数目被设备操作人员认为是可容忍的。
再者，如果参数202、204、206的三个Delta中的两个表现出Delta值稍微为正、即实际值大于预测值的保持的时间段，则较小的泄漏是可能的。最终，如果参数202、204、206的Delta中的一个与模式中的一个相匹配，并且模型拟合参数在预定的时间段内小于预定值，则这指示了可能存在泄漏。
上面的所有检验以软件中的泄漏检测规则集220来实施，并且如果为真，则规则集使适当的报警或消息被发送。
尽管建立这样的规则完全在本领域的普通技术人员的能力范围之内，这样的管泄漏规则的一个实例是：
如果在t分钟内，模型拟合Delta大于a，并且：
MU流量Delta大于+b且FW流量Delta大于+c；或
MU流量Delta大于+b且Cond流量Delta大于+d；或
FW流量Delta大于+c且Cond流量Delta大于+d；
则大的锅炉管泄漏是可能的，
这里a、b、c和d是关联参数的模糊范围。使用模糊范围是用于例示如果-则风格的规则的一般方法。对于每个参数a、b、c和d，工程单元中特定的模糊范围，例如lbs/hr，将对每个连续过程而不同。由于a、b、c和d的值是模糊范围，所以每个规则的结果是输出为真的概率或确定性。例如，本发明的输出可能是：68％确定存在大的锅炉管泄漏，而同时另一规则可能具有95％确定存在小锅炉管泄漏的输出。
类似地，其它充分了解的故障可以通过使用本发明的技术、即使用相同的APR过程模型200来辨识，但感兴趣的是不同的测量参数和DELTA。这些其它故障的一个实例是给水加热器内的管泄漏，其可以利用给水加热器管泄漏规则集222使用加热器排放、加热器入口和加热器出口温度来检测。这些其它故障的另一实例是进入给水加热器的排放冷却器的蒸汽，其可以使用相同的三个参数、即加热器排放、加热器入口和加热器出口温度以及不同于给水加热器管泄漏规则集222的规则集来检测。
在过程100中可能发生一些事件，对于这些事件尚未写入规则集。图2所示的定时器216和Delta 218用来警报这些事件。
本发明不限于蒸汽发生过程。其可以应用于其它连续过程中的其它充分了解的故障。例如，将最终导致压缩机失效的气体压缩机中的过度密封磨损可以根据该过程的APR模型和密封磨损规则集来检测。
构建过程100的经验模型200的第一步骤是从覆盖约30天操作、针对约100个发射器(transmitter)的设备历史库(plant historian)来汇编正常的操作数据。这些天可以选择成给予模型200与实际一样宽的正常操作谱，例如操作中的不同负载、不同周围条件、不同数目的附件等。由于模型200是稳态模型，所以数据不需要以时钟/日历顺序。数据采集频率可以是从每5分钟到每15分钟的任何频率。同时，覆盖相同数据标签的第二历史数据集应该汇编自不同的日历日期以在模型200构建之后对其进行验证。
这里描述的实施例中使用的APR模型生成软件是OptimizeITOn-Target软件。该软件连接到任何牌子的分布式控制系统(DCS)或历史库，并且包括工具，用来检查原始数据并迅速地丢弃具有丢失的数据或明显的离群值的任何记录。应谨慎地保留覆盖正常偏移和操作模式(例如不能工作的HP FW加热器)的记录，而消除覆盖不正常偏移(例如由于强制通风扇的跳闸而导致的负载回跑(runback))的记录。通常忽略低于30％单元负载的数据。
第二步骤是消除重复的(或很相似的)记录。再者，如本实施例中使用的APR模型生成软件，APR模型生成软件应该包含用来简化对这种记录的移除的工具。以此方式，数千个数据记录可以在几秒内减少到少于500个记录。
第三步骤是根据训练集、即汇编的正常操作数据来构建模型200。高级模式识别技术的特性允许当代PC在小于30秒内完成此任务，该小于30秒的时间比诸如例如神经网络或多元非线性回归的任何其它技术少了许多数量级。
第四步骤是通过使用模型以预测在第一步骤期间采集的第二或验证数据集的值来验证模型200。对于这里所描述的实施例，验证数据集是实际设备数据，其包含了约三周的数据并且在记录中包括了在数据的三周期间的某个时间开始的已知锅炉管泄漏的发生。
如在图3中可见到的，在三周中所选出的2.5天的时段中，在MW负载的预测值400和实际值402之间存在良好的一致。对于该模型中的所有其它天和大多数其它参数也同样为真。
然而，在对于相同的2.5天时间段的补给流量的情形下(图4)，在光标位置(记录号994)，实际值404开始连续地超过预测406。
为了更好地使此状况的影响可视化，任何变量的DELTA可以在整个三周的时段内累计。对于大多数参数，累计的差将在零附近浮动。如图5所示，这只对于补给流量(迹线408)和给水流量(迹线410)为真，直到记录994。然后那两个参数的实际值连续地超过预测，这指示锅炉管泄漏。线的斜率在某种程度上与泄漏的大小成比例。
为了实施本发明的统计过程控制方面，选择了从本专利申请的要求的最早提交日期起可得自本发明受让人的现成的商业AdviseIT OptimaxPerformance软件包，主要是因为其与On-Target高级模式识别软件紧密地结合。为补给流量、给水流量和凝结水流量DELTA选择了具有适当持续水平的报警界限以检测大的泄漏。较早描述的数据模式检验针对相同的变量而得到激活。Optimax Performance软件还包括工具来实施控制用于泄漏检测的触发器的规则。
如图6所示，本发明可以以在计算装置300上运行的软件程序的形式来实施，该计算装置300通过数据公路302和分布式控制系统(DCS)304连接到一过程，其可以例如是图1的过程100。数据公路302具有与图1的测量位置1到24的传感器对接的能力。计算装置300可以例如是任何适当设置的装置，如能够执行程序的台式PC。程序可以是诸如CD-ROM的合适介质上的一连串指令，并且计算装置300具有诸如众所周知的用于容纳CD-ROM的CDRW驱动器的适当装置，使得程序可以从CD-ROM读取并且载入装置300以便执行，并且如果需要，可存储在作为装置300的一部分的诸如硬盘驱动器的存储介质中。
以上已示出并且参考前述示例性的实施例描述了本发明。然而，应当理解的是，可以构成其它形式、细节和实施例而不背离在下面的权利要求中限定的本发明的精神和范畴。

Claims (12)

1.一种用于检测连续过程(100)的部件中的故障的方法，包括：
建立所述连续过程(100)的模型；
使用所述模型为所述连续过程(100)的预定数目的操作参数(202，204，206，208)生成预测值；
将所述预定数目的操作参数(202，204，206，208)中的每个操作参数的、由所述模型预测的值与所述操作参数的对应实际测量值相比较；
使用统计过程控制SPC方法来确定所述预定数目的操作参数(202，204，206，208)中的一个或多个操作参数的所述预测值与实际测量值之间的差是否超过标准偏差；
其特征在于，所述连续过程(100)是锅炉/汽轮机动力循环的水/蒸汽侧，以及所述预定数目的操作参数(202，204，206，208)包括补给流量(202)、给水流量(204)和凝结水流量(206)，并且所述方法进一步包括：
为所述补给流量、给水流量和凝结水流量操作参数(202，204，206)中的每个所述差确定与关联于每个所述操作参数(202，204，206)的三西格马界限的偏差，
当所述补给流量(202)、给水流量(204)和凝结水流量(206)操作参数中任意两个的所述偏差在预定时间段中为正并且在统计上大时，指示在所述连续过程(100)中的锅炉管中存在大泄漏，以及
当所述补给流量(202)、给水流量(204)和凝结水流量(206)操作参数的任意两个的所述偏差在预定时间段内略微为正时，指示所述锅炉管中的小泄漏。
2.权利要求1的方法，进一步包括：确定所述预定数目的操作参数(202，204，206，208)中的一个或多个操作参数的所述预测值与实际测量值之间的差是否满足预定的统计过程控制模式检验。
3.权利要求1的方法，其中所述模型选自高级模式识别APR经验模型(200)、第一原理模型或神经网络经验模型。
4.权利要求3的方法，进一步包括：根据所述预定数目的操作参数(202，204，206，208)中的一个或多个操作参数的所述预测值与实际测量值之间的所述差，在所述高级模式识别经验模型(200)中计算模型拟合参数。
5.权利要求1的方法，其中所述连续过程(100)的所述操作参数(202，204，206，208)的所述预定数目取决于所述连续过程(100)。
6.权利要求1的方法，其中所述连续过程(100)的所述操作参数(202，204，206，208)的所述预定数目在50与100之间。
7.权利要求1的方法，进一步包括：为所述预定数目的操作参数(202，204，206，208)中的每个操作参数确定所述操作参数的所述预测值与所述操作参数的所述实际测量值之间的差。
8.权利要求1的方法，进一步包括：根据所有所述差来确定指示所述模型如何良好地拟合所述连续过程(100)的参数，以及根据关联的预定模式来分析所述补给流量、给水流量和凝结水流量操作参数(202，204，206)的每一个的所述偏差，以及当所述偏差中的任何一个与所述关联的预定模式的补给流量、给水流量和凝结水流量操作参数(202，204，206)相匹配并且指示所述模型拟合的所述参数在预定时间段内小于预定值时，指示所述锅炉管中可能存在泄漏。
9.一种过程设备，包括：
计算装置，用于检测在所述设备中运转的连续过程(100)的部件中的故障，所述计算装置用于：
建立所述连续过程(100)的模型；
使用所述模型为所述连续过程(100)的预定数目的操作参数(202，204，206，208)生成预测值；
将所述预定数目的操作参数(202，204，206，208)中的每个操作参数的、由所述模型预测的值与所述操作参数的对应实际测量值相比较；
使用统计过程控制SPC方法来确定所述预定数目的操作参数(202，204，206，208)中的一个或多个操作参数的所述预测值与实际测量值之间的差是否超过标准偏差，
其特征在于，所述连续过程(100)是锅炉/汽轮机动力循环的水/蒸汽侧，并且所述预定数目的操作参数(202，204，206，208)包括补给流量(202)、给水流量(204)和凝结水流量(206)，并且所述计算装置还用于：
为所述补给流量、给水流量和凝结水流量操作参数(202，204，206)的每个所述差确定与关联于每个所述操作参数的三西格马界限的偏差，以及
当所述补给流量、给水流量和凝结水流量操作参数(202，204，206)中任意两个的所述偏差在预定时间段中为正并且在统计上大时，指示在所述连续过程(100)中的锅炉管中存在大泄漏，以及
当所述补给流量(202)、给水流量(204)和凝结水流量(206)操作参数的任意两个的所述偏差在预定时间段内略微为正时，指示所述锅炉管中的小泄漏。
10.权利要求9的过程设备，其中所述计算装置还用于确定所述预定数目的操作参数(202，204，206，208)中的一个或多个操作参数的所述预测值与实际测量值之间的差是否满足预定的统计过程控制模式检验。
11.权利要求9的过程设备，其中所述计算装置还用于为所述预定数目的操作参数(202，204，206，208)中的每个操作参数确定所述操作参数的所述预测值与所述操作参数的所述实际测量值之间的差。
12.权利要求9的过程设备，其中所述计算装置还用于：根据所有所述差来确定指示所述模型如何良好地拟合所述连续过程(100)的参数，
根据关联的预定模式来分析所述补给流量、给水流量和凝结水流量操作参数(202，204，206)的每一个的所述偏差，以及
当所述偏差的任何一个与所述关联的预定模式的补给流量、给水流量和凝结水流量操作参数相匹配并且指示所述模型拟合的所述参数在预定时间段内小于预定值时，指示所述锅炉管中可能存在泄漏。
CNB2004800304586A 2003-10-16 2004-10-13 检测连续过程中的系统部件的故障 Expired - Fee Related CN100504689C (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US51199803P 2003-10-16 2003-10-16
US60/511,998 2003-10-16

Publications (2)

Publication Number Publication Date
CN1867876A CN1867876A (zh) 2006-11-22
CN100504689C true CN100504689C (zh) 2009-06-24

Family

ID=34465305

Family Applications (1)

Application Number Title Priority Date Filing Date
CNB2004800304586A Expired - Fee Related CN100504689C (zh) 2003-10-16 2004-10-13 检测连续过程中的系统部件的故障

Country Status (7)

Country Link
US (1) US7113890B2 (zh)
EP (1) EP1676179B1 (zh)
JP (1) JP4435785B2 (zh)
CN (1) CN100504689C (zh)
AT (1) ATE458215T1 (zh)
DE (1) DE602004025599D1 (zh)
WO (1) WO2005038545A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11953161B1 (en) 2023-04-18 2024-04-09 Intelcon System C.A. Monitoring and detecting pipeline leaks and spills

Families Citing this family (64)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1706718A2 (en) * 2004-01-14 2006-10-04 ABB Inc. Method and apparatus to diagnose mechanical problems in machinery
US8109759B2 (en) * 2006-03-29 2012-02-07 Fives North America Combustion, Inc. Assured compliance mode of operating a combustion system
US8275577B2 (en) * 2006-09-19 2012-09-25 Smartsignal Corporation Kernel-based method for detecting boiler tube leaks
US8311774B2 (en) 2006-12-15 2012-11-13 Smartsignal Corporation Robust distance measures for on-line monitoring
US20080179408A1 (en) * 2007-01-30 2008-07-31 Johnson Controls Technology Company Sensor-free optimal control of air-side economizer
US7827813B2 (en) 2007-01-30 2010-11-09 Johnson Controls Technology Company Adaptive real-time optimization control
CN101779172B (zh) 2007-07-17 2013-03-06 约翰逊控制技术公司 带重置控制的极值搜索控制
WO2009012269A2 (en) * 2007-07-17 2009-01-22 Johnson Controls Technology Company Extremum seeking control with actuator saturation control
DE102007059847A1 (de) * 2007-12-12 2009-06-18 Siemens Ag Feldgerät zur Prozessinstrumentierung
CN101782763B (zh) * 2009-01-19 2012-01-25 中芯国际集成电路制造(上海)有限公司 统计过程控制的监控方法
US9196009B2 (en) 2009-06-22 2015-11-24 Johnson Controls Technology Company Systems and methods for detecting changes in energy usage in a building
US8600556B2 (en) 2009-06-22 2013-12-03 Johnson Controls Technology Company Smart building manager
US10739741B2 (en) 2009-06-22 2020-08-11 Johnson Controls Technology Company Systems and methods for detecting changes in energy usage in a building
US9606520B2 (en) 2009-06-22 2017-03-28 Johnson Controls Technology Company Automated fault detection and diagnostics in a building management system
US8788097B2 (en) 2009-06-22 2014-07-22 Johnson Controls Technology Company Systems and methods for using rule-based fault detection in a building management system
US11269303B2 (en) 2009-06-22 2022-03-08 Johnson Controls Technology Company Systems and methods for detecting changes in energy usage in a building
US8532808B2 (en) 2009-06-22 2013-09-10 Johnson Controls Technology Company Systems and methods for measuring and verifying energy savings in buildings
US8532839B2 (en) 2009-06-22 2013-09-10 Johnson Controls Technology Company Systems and methods for statistical control and fault detection in a building management system
US9753455B2 (en) 2009-06-22 2017-09-05 Johnson Controls Technology Company Building management system with fault analysis
US8731724B2 (en) 2009-06-22 2014-05-20 Johnson Controls Technology Company Automated fault detection and diagnostics in a building management system
US9286582B2 (en) 2009-06-22 2016-03-15 Johnson Controls Technology Company Systems and methods for detecting changes in energy usage in a building
US8442853B2 (en) * 2009-10-12 2013-05-14 Patrick D. Abbott Targeted equipment monitoring system and method for optimizing equipment reliability
US8489363B2 (en) * 2010-09-28 2013-07-16 General Electric Company Monitoring and diagnosing generator operation
WO2012076427A1 (de) * 2010-12-09 2012-06-14 Basf Se Verfahren und vorrichtung zur modellbasierten überwachung einer turbomaschine
US9256224B2 (en) 2011-07-19 2016-02-09 GE Intelligent Platforms, Inc Method of sequential kernel regression modeling for forecasting and prognostics
US9250625B2 (en) 2011-07-19 2016-02-02 Ge Intelligent Platforms, Inc. System of sequential kernel regression modeling for forecasting and prognostics
US8660980B2 (en) 2011-07-19 2014-02-25 Smartsignal Corporation Monitoring system using kernel regression modeling with pattern sequences
US8620853B2 (en) 2011-07-19 2013-12-31 Smartsignal Corporation Monitoring method using kernel regression modeling with pattern sequences
US9360864B2 (en) * 2012-04-11 2016-06-07 General Electric Company Turbine fault prediction
US9390388B2 (en) 2012-05-31 2016-07-12 Johnson Controls Technology Company Systems and methods for measuring and verifying energy usage in a building
US10418833B2 (en) 2015-10-08 2019-09-17 Con Edison Battery Storage, Llc Electrical energy storage system with cascaded frequency response optimization
GB2512087B (en) * 2013-03-19 2020-12-02 Massive Analytic Ltd Apparatus for controlling a manufacturing plant
JP6037954B2 (ja) * 2013-06-26 2016-12-07 株式会社日立製作所 ボイラチューブリーク検出装置、ボイラチューブリーク検出方法、並びにこれらを用いたデータ監視センタ、情報提供サービス、ボイラプラント。
AU2013399629A1 (en) 2013-09-06 2016-03-24 Ge Intelligent Platforms, Inc. Apparatus and method for model adaptation
US10101730B2 (en) 2014-05-01 2018-10-16 Johnson Controls Technology Company Incorporating a load change penalty in central plant optimization
US9778639B2 (en) 2014-12-22 2017-10-03 Johnson Controls Technology Company Systems and methods for adaptively updating equipment models
CA2976620C (en) * 2015-02-17 2022-02-08 Fujitsu Limited Determination device, determination method, and determination program
US10190789B2 (en) 2015-09-30 2019-01-29 Johnson Controls Technology Company Central plant with coordinated HVAC equipment staging across multiple subplants
US10700541B2 (en) 2015-10-08 2020-06-30 Con Edison Battery Storage, Llc Power control system with battery power setpoint optimization using one-step-ahead prediction
US10197632B2 (en) 2015-10-08 2019-02-05 Taurus Des, Llc Electrical energy storage system with battery power setpoint optimization using predicted values of a frequency regulation signal
US10742055B2 (en) 2015-10-08 2020-08-11 Con Edison Battery Storage, Llc Renewable energy system with simultaneous ramp rate control and frequency regulation
US10222083B2 (en) 2015-10-08 2019-03-05 Johnson Controls Technology Company Building control systems with optimization of equipment life cycle economic value while participating in IBDR and PBDR programs
US10250039B2 (en) 2015-10-08 2019-04-02 Con Edison Battery Storage, Llc Energy storage controller with battery life model
US10222427B2 (en) 2015-10-08 2019-03-05 Con Edison Battery Storage, Llc Electrical energy storage system with battery power setpoint optimization based on battery degradation costs and expected frequency response revenue
US11210617B2 (en) 2015-10-08 2021-12-28 Johnson Controls Technology Company Building management system with electrical energy storage optimization based on benefits and costs of participating in PDBR and IBDR programs
US10389136B2 (en) 2015-10-08 2019-08-20 Con Edison Battery Storage, Llc Photovoltaic energy system with value function optimization
US10554170B2 (en) 2015-10-08 2020-02-04 Con Edison Battery Storage, Llc Photovoltaic energy system with solar intensity prediction
US10418832B2 (en) 2015-10-08 2019-09-17 Con Edison Battery Storage, Llc Electrical energy storage system with constant state-of charge frequency response optimization
US10564610B2 (en) 2015-10-08 2020-02-18 Con Edison Battery Storage, Llc Photovoltaic energy system with preemptive ramp rate control
US10190793B2 (en) 2015-10-08 2019-01-29 Johnson Controls Technology Company Building management system with electrical energy storage optimization based on statistical estimates of IBDR event probabilities
US10283968B2 (en) 2015-10-08 2019-05-07 Con Edison Battery Storage, Llc Power control system with power setpoint adjustment based on POI power limits
US10778012B2 (en) 2016-07-29 2020-09-15 Con Edison Battery Storage, Llc Battery optimization control system with data fusion systems and methods
US10594153B2 (en) 2016-07-29 2020-03-17 Con Edison Battery Storage, Llc Frequency response optimization control system
CN106200624B (zh) * 2016-08-26 2019-01-04 大连海事大学 基于交叉分段pca的工业锅炉故障诊断方法
JP6800074B2 (ja) * 2017-03-31 2020-12-16 アズビル株式会社 劣化診断装置
US10838440B2 (en) 2017-11-28 2020-11-17 Johnson Controls Technology Company Multistage HVAC system with discrete device selection prioritization
US10838441B2 (en) 2017-11-28 2020-11-17 Johnson Controls Technology Company Multistage HVAC system with modulating device demand control
CN110164081B (zh) * 2018-02-13 2021-01-15 大唐国际发电股份有限公司陡河发电厂 发电机组辅助预警系统
US11159022B2 (en) 2018-08-28 2021-10-26 Johnson Controls Tyco IP Holdings LLP Building energy optimization system with a dynamically trained load prediction model
US11163271B2 (en) 2018-08-28 2021-11-02 Johnson Controls Technology Company Cloud based building energy optimization system with a dynamically trained load prediction model
CN109506695A (zh) * 2018-11-12 2019-03-22 Oppo（重庆）智能科技有限公司 测试设备故障检测方法
DE102020202866A1 (de) 2020-03-06 2021-09-09 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Recheneinheit zur Ursachenanalyse eines anomalen Zustandes einer Maschine
CN112489831B (zh) * 2020-11-20 2021-10-22 西安热工研究院有限公司 一种用于蒸汽发生器事故排放系统功能验证的测试装置
CN113418661B (zh) * 2021-06-11 2023-07-07 中国核电工程有限公司 一种核电厂蒸汽发生器的监测方法及系统

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3581714A (en) * 1969-11-17 1971-06-01 Frank J Smith Chemical treating system for steam boilers
DE3336245A1 (de) 1983-10-05 1985-04-25 Kraftwerk Union AG, 4330 Mülheim Verfahren zum ermitteln einer leckstelle an druckfuehrenden behaeltern und einrichtung dazu
GB8905311D0 (en) * 1989-03-08 1989-04-19 Lucas Ind Plc Electronic braking system
US4960079A (en) 1989-08-03 1990-10-02 Marziale Michael L Acoustic leak detection system
US5363693A (en) 1992-08-19 1994-11-15 Union Camp Corporation Recovery boiler leak detection system and method
US5471400A (en) * 1994-05-24 1995-11-28 Gas Research Institute Method for detecting and specifying compressor cylinder leaks
US5727128A (en) * 1996-05-08 1998-03-10 Fisher-Rosemount Systems, Inc. System and method for automatically determining a set of variables for use in creating a process model
US5847266A (en) 1996-09-13 1998-12-08 Union Camp Patent Holding, Inc. Recovery boiler leak detection system and method
JPH1122909A (ja) * 1997-06-30 1999-01-26 Hitachi Ltd 熱交換器の細管漏洩検出方法
US6076048A (en) * 1997-09-26 2000-06-13 Betzdearborn, Inc. System and method for least squares filtering based leak flow estimation/detection using exponentially shaped leak profiles
SE9703758D0 (sv) * 1997-10-15 1997-10-15 Asea Brown Boveri Metod och förfarande för processkontroll vid tillverkning av papper, massa eller board
US6192352B1 (en) 1998-02-20 2001-02-20 Tennessee Valley Authority Artificial neural network and fuzzy logic based boiler tube leak detection systems
WO2004084371A1 (ja) * 1998-08-31 2004-09-30 Kaoru Fujita 発電プラントの最適化制御方法及び最適化制御装置
JP2000259243A (ja) * 1999-03-11 2000-09-22 Ishikawajima Harima Heavy Ind Co Ltd プラント運転監視支援装置
US6223544B1 (en) * 1999-08-05 2001-05-01 Johnson Controls Technology Co. Integrated control and fault detection of HVAC equipment
US6526358B1 (en) * 1999-10-01 2003-02-25 General Electric Company Model-based detection of leaks and blockages in fluid handling systems
US20020099482A1 (en) * 2000-12-08 2002-07-25 Reese Ronald A. Engine warm-up model and thermostat rationality diagnostic
JP3690992B2 (ja) * 2001-03-01 2005-08-31 株式会社日立製作所 火力発電プラントの異常診断方法及びその装置
US7050936B2 (en) * 2001-09-06 2006-05-23 Comverse, Ltd. Failure prediction apparatus and method
US6609051B2 (en) * 2001-09-10 2003-08-19 Daimlerchrysler Ag Method and system for condition monitoring of vehicles
AU2003270866A1 (en) * 2002-09-30 2004-04-23 Tokyo Electron Limited Method and apparatus for the monitoring and control of a semiconductor manufacturing process
EP1706718A2 (en) * 2004-01-14 2006-10-04 ABB Inc. Method and apparatus to diagnose mechanical problems in machinery

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Modellabsierte qualitaetslenkung mit statistischen methodengrundprinzipien und praxis. Soltysiak J T.Automatisierungstechnische praxis-ATP,Vol.38 No.5. 1996
Modellabsierte qualitaetslenkung mit statistischen methodengrundprinzipien und praxis. Soltysiak J T.Automatisierungstechnische praxis-ATP,Vol.38 No.5. 1996 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11953161B1 (en) 2023-04-18 2024-04-09 Intelcon System C.A. Monitoring and detecting pipeline leaks and spills

Also Published As

Publication number Publication date
ATE458215T1 (de) 2010-03-15
US7113890B2 (en) 2006-09-26
WO2005038545A1 (en) 2005-04-28
DE602004025599D1 (de) 2010-04-01
JP2007509395A (ja) 2007-04-12
EP1676179B1 (en) 2010-02-17
US20050096757A1 (en) 2005-05-05
JP4435785B2 (ja) 2010-03-24
CN1867876A (zh) 2006-11-22
EP1676179A1 (en) 2006-07-05

Similar Documents

Publication Publication Date Title
CN100504689C (zh) 检测连续过程中的系统部件的故障
CN108596229B (zh) 在线异常的监测诊断方法和系统
US4298955A (en) Method of and apparatus for the detection and analysis of hazards
JP6037954B2 (ja) ボイラチューブリーク検出装置、ボイラチューブリーク検出方法、並びにこれらを用いたデータ監視センタ、情報提供サービス、ボイラプラント。
KR970004261B1 (ko) 발전소 설비의 보수 우선 순위를 정하는 자동 시스템
CN1910434B (zh) 在机械中诊断机械问题的方法和装置
US7734443B2 (en) System and method for prediction of gas turbine trips due to thermocouple failures
CN101971115B (zh) 冷凝水回收系统及监测蒸汽损失的方法
CN101676559B (zh) 风力涡轮机的警报掩码生成和状态监控的方法
JP2003303014A (ja) プラント機器の保守管理方法および装置
CN101907685A (zh) 适应运行工况变化的发电机组运行参数正确性检验方法
Wang et al. Malfunction diagnosis of thermal power plants based on advanced exergy analysis: The case with multiple malfunctions occurring simultaneously
JP2002155708A (ja) 発電プラントのガイダンス提供システムおよび方法
US6473720B1 (en) Method for monitoring product performance
Risko Understanding steam traps
CN110853785B (zh) 一种核电压水堆机组出力能力故障分析方法
Fasolo et al. An SQC approach to monitoring and fault detection in HVAC control systems
JP6980034B2 (ja) 装置寿命評価方法
Martini et al. Gross error detection based on Serial Elimination: Applications to an industrial Gas Turbine
Hauge et al. Common Cause Failures in Safety Instrumented Systems: beta factors and equipment specific checklists based on operational experience
JP4786670B2 (ja) 計測器ドリフト検知装置
WO2019049522A1 (ja) リスク評価装置、リスク評価システム、リスク評価方法、及び、リスク評価プログラム
RU2056506C1 (ru) Способ определения технического состояния системы автоматического регулирования турбоагрегата
Zhu Design of an Online Monitoring System for Degrading Hardware Components Using Failure Modes and Effects Analysis
Saravanan et al. Acoustic Steam Leak Detection System

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20090624

Termination date: 20151013

EXPY Termination of patent right or utility model