异常聚合方法

专利名称：异常聚合方法
技术领域：
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。
背景技术：
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。

发明内容
本发明提供了 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。
本发明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。


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。当本发明所实施的该处理、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，可以使用本发明的其 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。当在时域上选择适 当的境况数据时，通常想要看一看对所关心的时间段有效的最接近数据。 由于所关心的时间段通常对最近期数据为有效的，所以要考虑的适当的 时间范围就是一序列对于单元有效的最近期数据，例如对应于最近两周 的数据。这样就减轻了季节因素的影响。
通过使用目标单元的一组适当的"等同"单元，发现考虑了该组的 表现以及整体环境的适当境况数据。例如，选择具有相同结构尺寸并且 位于相同地理区域内的一组涡轮机作为用于目标涡轮机的适当的等同体 组。
除了上面所述的境况考虑之外，境况数据也包括可比较的操作条件。 对于本实施方式，并且仅仅作为一个示例，可以定义可比较的操作条件 以表示过去的任何时间段，在该时间段中单元具有大小为IO的窗内相同 的0PM0DE、 DWATT和CTIM值。0PM0DE可以定义为操作模式(例如緩慢 起动、峰值输出、50%输出，等)。DWATT可以是功率的量度(例如兆瓦 输出)。CTIM可以定义为温度量度(例如进口温度)。例如，如果该目标 观察的0PM0DE的值等于1,且DWATT等于95，那么只有其中0PM0DE = 1 并且DWATT在90至100之间的历史周期可以使用。这些可比较的操作条
件被定义为该系统配置的一部分。
通过在时间、地理位置、结构大小以及工作条件方面都建立适当的 境况，就可以不需要关于给定标记是否为异常的高或低的主观评价，并
且可以做出客观和自动的计算以检测和量化异常。为了计算z内(相比
于以往)特殊异常评分，我们可以使用10-15个其中单元在可比较的条 件(如上所定义)下工作的历史观察。这些历史观察可以用来计算平均 和标准偏差。然后可以使用该历史观察的平均和标准偏差计算目标观察 的z评分。计算该Z内特殊异常评分所使用的最小和最大数目的观察定 义为系统配置的一部分。Z内值提供了特定机器的当前工作条件与该机器 的先前工作条件的比较。用来计算Z内值的等式通常可以是如下形式
<formula>formula see original document page 8</formula>
(等式i)
对于每一单元，具有相同结构大小并且类似配置以及在相同地理区
域中的高达8个或者更多个其它单元可以被标识为等同体。该Z间特殊 异常评分是表示一个特定单元或机器与其等同体不同程度指示。例如，F 型燃气轮机与其它类似的F型燃气轮机进行比较。为了计算该Z间特殊 异常评分(与等同体进行比较)，人们可用从每一等同体中选择单个最近 期的观察，其中该等同体工作于(如上所定义的)可比较的条件下。这 样就得到高达8个或者更多个等同体观察，使用其可以用来计算平均和 标准偏差。然后可用计算使用该等同体组的平均和标准偏差的目标单元 的z评分。计算该Z间特殊异常评分所使用的最小和最大数目的观察被 定义为系统配置的一部分。用来计算Z间值的等式通常可以是如下形式
(等式2)
<formula>formula see original document page 8</formula>
注意， 一种情况是一个值可以既不是异常高，也不是异常低。虽然 通常在一个值中存在一个被识别为优选趋势的特定方向(例如，通常具 有低的振动比高的振动更好)，但是应该注意，所设计的这一技术用来标 识和量化异常，而与它们的极性无关。在这一实施方式中，方向并不表 示值的"优良"或"恶劣"。相反，其代表异常的方向。如果特殊异常评 分是一个相比于过去为较高的负数，那么就意味着该值相比于该单元的 过去异乎寻常的低。如果该特殊异常评分是一个较高的正数，那么就意 味着该值相比于该单元的过去异乎寻常的高。该解释对于等同体异常评
分是相似的。单独标记的异常方向可以定义作为系统配置的一部分.
通过使用这些技术来检测异常，就可以创建警报。警报可以是针对 可定制阈值的标记值的基于规则的组合。
创建多个灵敏度设置
对于特殊异常评分，可以执行评分与百分比尾(percent tail)计 算之间的转换。具体的，对于给定的原始量度的分布，特殊异常评分的 幅值范围将与异常分布的百分比范围对应。通过这种转换，分析者可以 选取表示原始量度的"警报"或"红色标志"的特殊异常评分截止值。 另外，其为终端用户提供了一种简单的使用，该用户可以自由的决定何 种百分比是足够高，可以称为"异常"。而且，通过这种转换，可以按照 需要从应用到应用、从商业到商业、或者从量度到量度之间容易地改变 "异常，，定义。
图1 (特殊异常评分截止表)是一个转换表，当原始量度是正态分布 并且异常定义为双尾(即原始量度的高和低幅值都具有终端用户所关心 的异常范围)时，可以使用该转换表。例如，当样本大小为8 (行IIO) 并假定原始量度为正态分布时，0.15% (单元130)的情况预计落在-6 的特殊异常评分之下以及6的特殊异常评分之上(列120)。换言之，如 果M&D组想要研究最高0. 15%观察作为量度内的"超出正态"，那么他们 应该选取6作为评分截止值，假定他们的样本大小为8并且假定为正态。 这一表格也描述了 z评分与特殊异常评分之间的关系。随着样本大小的 增加，并且假定为正态，z评分和特殊异常评分变得几乎相同。
例如，在涡轮机或压缩机中，传感器数据可以包括超过300个具有 许多不同形状的分布的不同标记。需要灵敏度分析，以看看相同的截止 值是否可以跨越标记被使用，或者对于不同的标记是否需要不同的截止 值。换言之，给定大量传感器数据，需要测试转换表格跨越不同的分布 有多么鲁棒性。虽然不同的标记可以具有不同的形状和分布比例，但是 这些标记的Z内和Z间评分可以在形状和设计比例上具有更少变化。在 所有Z内和Z间分布上，已经检测到特殊异常评分2、 6、 17、 50和150 的自然截止值。然而，需要进行另外的系统经验研究，以确定截止值和 对应的异常分布百分比。
特殊异常评分被分类为11个区段(即(-2， 2)=bucket0， (2， 6) =bucketl， ( 6， 17 )=bucket2， ( 17, 50 )=bucket3， ( 50， 150 )=bucket4，
(150及更大)—ucket5， (-6，-2 )-bucket-l ， (-17， -6 ) =bucket-2， (-50， -17) =bucket_3， (-150，-50) =buckeH， (-150及更小) =bucket-5)。计算落入每个标记的每一区段中的Z内评分的百分比。然 后，对于每一区段画出跨越标记的这些百分比的分布，并计算四分位数 以及中值的95%置信区间。
图2所述为异常评分的描述统计，并且是区段5上的这些计算的一 个示例。区域210是柱状图，并显示了概率或百分比值的分布。这些是 得到Z内值的截止值为150或高于150的异常评分的概率。区域220是 箱形图，其再次示出了在150或高于150的异常评分的概率或百分比值。 230所述为概率或百分比值的平均分布的95%置信区间。箱体中的垂直 线表示平均值，并且该箱体的极限表示置信区间的最小和最大值。另一 个箱形图以2"表示，并且其所述为概率或百分比值的中值分布的95% 置信区间。该箱体中的线表示中值，并且箱体的极限表示置信区间的最 小和最大值。区域250中所列出的统计表示所述分布的正态测试，其报 告了基本统计，诸如平均和中值以及基本统计的置信区间。区段5分布 的中值大约为0. 1%,表示大约0. 1%的Z内评分在150或高于150截止 值，中值的95%置信区间为0. 07% -1. 3%。
类似于图2中的区段，对所有区段单独执行计算，于是得到Z内和Z 间的所有截止值。分析的结果表示跨越标记的相似截止值可以用于给定 的传感器数据，于是转换表以及预设截止值对于原始标记分布差是鲁棒 性的。
图3示出了基于Z内值的经验结果在截止值与异常分布百分比之间 的转换。基于经验研究，预期大约6%的异常评分具有在2和6之间的特 殊异常评分值。应该注意，基于实际数据组的这些预期异常百分比非常 类似于图1中所显示的基于模拟研究的百分比。具体的，预期6. 7%的这 些评分将高于截止值2，并且预期13.4%的这些评分将高于这一数据组 所给出的截止值2和低于截止值- 2。
上述结果验证了根据发电设备传感器数据为实际寿命数据所给出的 特殊异常评分进行的转换。执行第二组分析，以验证所建议的截止值以 及对应的百分比不仅对于跨越所有标记的所有Z内值有效，而且对其中 样本大小比整体数据相对较小的每一标记内的Z内值有效。将连续的Z 内评分转换为具有预定11个区段的11类序数评分。然后单独的画出用
于每一标记的序数评分的分布(参见图4)。正如从图4中的曲线图可以 看到，大多数标记都具有类似的序数Z内评分的分布形状。
图5所述为类似于图4的用于每一标记的序数Z间评分的分布。虽 然有些标记在区段2、 3、 - 2或-3上具有稍微不同的形状，但是通常Z 间评分的形状相比于Z内评分的形状不会有太大差异。于是，我们得出 结论跨越标记的相同截止值既可以用于这一数据组中Z内评分，也可 以用于Z间评分。而且，可以基于经验结果(参见图3),或者基于模拟 研究(参见图1)来确定所建议的截止值(即2、 6、 17、 50、 150、 -2、 -6、 -17、 -50、 - 150)的转换异常百分比，这是因为它们建议了相 似的数字。
聚合各种异常观察
许多设备用户(例如发电站、涡轮机操作者等)具有充足的用于监 视&诊断的数据。更重要的是，这些数据经常存在于小的时间单元中(例 如每秒或每分钟)。虽然数据充足是一个优势，但是应该有效率地完成数 据聚合，从而数据存储和数据监视并不成为问题，并且数据仍然保持其 有用的信息。
虽然聚合是非常想要的，但是对于某些任务其具有风险。异常聚合 中以及其本身是一个矛盾。所有的异常都意味着特定性和集中在每一个 数据点上，而聚合意味着通过排除特殊和异常进行的归纳。然而，不管 其相互矛盾的性质，还是需要进行异常聚合，这是因为对于跨越多个时 间周期的多个标记，不能存储每秒或每小时的数据，而且更重要的是， 对于某些类型的事件，每秒或者甚至每小时地监视可能会有太多的信息。 更具体的，大多数用户设备感兴趣的是捕捉他们的机器单元的"急性，， 与"慢性"异常。急性(acute)异常是极少发生的高幅度异常。慢性 (chronic )异常对于特定量度而言频繁在不同的单元和时间内出现。 图6所述为两个单元随着时间的Z内测量。X轴是每一单元的时间。 垂直虚线630分开了两个单元的数据。第一单元的数据在虚线630的左 侧并且通过610表示。第二单元的数据在虚线630的右侧并通过620表 示。如从该图表可以看到，第二单元(区域620 )具有两个异常值，其分 别低于-100和高于100。由于这些范围的出现对于这一量度和这些单元 是极少发生的，所以这两个异常值称为"急性"。可以类似于图6中的图 表来理解图7中的图表，并且其说明了 "慢性异常，，的概念。慢性异常
的定义是对于特定量度而言，跨越不同单元和时间频繁发生的捕捉异常
(即特殊异常评分的幅度高于2或低于-2 )。
如此前所提到的，有许多不同的方法来聚合数据。统计从定义上包 括聚合。通过少量数字，例如通过平均、中值、标准偏差、方差等说明 数据是"统计学，，或"分析学"的过分简单化的定义。然而，这些长期 存在的方法都不能提供用于异常聚合的方案。每日平均并不能始终地描 述每小时的异常。本发明所实施的"特殊异常评分"的聚合是一种新的 方法。以前，监视每小时的数据是标识每小时异常的唯一方法。数据监 视必须在异常需要被检测的粒度级别完成。换言之，其必须以最高粒度 完成，例如每秒或每小时。在这样的粒度难以看到长期趋势，或者难以 有效率的跨越各个单元进行比较或对比。
根据本发明的实施例描述了可以用来聚合特殊异常评分的两个测 量幅度异常测量和频率异常测量。幅度异常测量使用诸如平均值的中 心趋势测量。频率异常测量使用比率或百分比。
幅度异常测量可以标识急性异常，并且可以使用中心趋势测量，诸 如平均值。每日绝对平均值(图8的左边所示)是幅度异常测量的一个 示例。绝对平均值可以描述在一个预定的时间周期(例如秒、分钟、小 时、日、周、月或年)内是否存在一个或多个在正或负方向上的高幅度 异常。例如，每日绝对平均值会描述在一天内是否存在一个或多个在正 或负方向上的高幅度异常。
可以使用频率异常测量来标识慢性异常，并且可以使用比率或百分 比。每日百分比异常(图8右边所示)是频率异常测量的一个示例。每 曰百分比异常对每日绝对平均值进行补充，从某种意义上讲，其可以描 述一日内异常小时的数量，或者一个月内异常天数的数量。通常，频率 异常测量可以用来描述一个大的时间周期(例如分钟、小时、日，等) 内异常时间周期(例如秒、分钟、小时，等)的数量。
当这两个评分(即每日绝对平均值和每日百分比异常)同时使用 时，它们将说明具有异常小时的日期以及区分急性与慢性异常。急性异 常(极少出现)具有高的每日绝对平均值和低的每日百分比异常。急性 异常可以通过一个或两个高幅度的异常被描述。另一方面，慢性异常(经 常出现)具有低或高的每日绝对平均值和高的每日百分比异常。慢性异 常可以通过一日内的少数到一系列异常被描述。然而，慢性异常并不必
须具有高幅度的特殊异常评分。
图8示出了使用幅度和频率异常测量的一个示例。图8左边的图表 示出了使用每日绝对平均值的幅度异常测量。右边的图表示出了使用百 分比异常的频率异常测量。可以为Z间值和Z内值计算这些幅度和频率 异常评分。而且，在每一个尺度上幅度和频率评分都可以跨越标记、时 间周期、以及机器单元分别进行排列。然后这些排列可以转换为百分位， 提供幅度异常评分的百分位与频率异常评分的百分位。另外，可以通过 分别用于Z间值与Z内值的"最大化"函数组合每一评分的百分位。更 具体的，Z间或Z内异常评分的最大百分位表示急性或慢性异常，或者表 示这二者。
图9所述为最大百分位Z间值与最大百分位Z内值的图形和一组数 据。例如，图形右上方的虚线框内的点表示四个连续日中相同涡轮机的 关于"CSGV，，标记的触发异常。CSGV标记可以是关于IGV (进口导叶) 角度的量度。这四个数据点(对应于图10中的数据项92、 93、 94、 95) 是关于单元的过去和等同体的异常。如果这四日进一步研究这一单元的 CSGV标记，就可以看到，这些天内的许多小时具有关于等同体的异常。 另一方面，每小时的Z内异常相比于每小时的Z间异常在数量上非常少， 然而它们在幅度上较高。这一结论的全部都可以从图IO中的数据表得到， 其包含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。
创建警报和创建热图
根据本发明的实施例，可以使用称为计算引擎(Calculation Engine )和可视化工具的两个Java程序通过软件实现异常检测处理和热 图工具。该计算引擎计算特殊异常评分、聚合异常评分、更新Oracle数 据库，以及当规则被触发时发送警报。可以根据每小时运行的命令行批 处理中周期性地调用计算引擎。可视化工具根据请求显示热图(参见图 11)中的异常评分，并允许用户创建规则。可视化工具可以作为网络应 用程序运行。这些程序可以在Linux、 Windows和其它基于应用处理器的 操作系统上运行。
调用计算引擎的一个示例命令行为
java -Xmx2700m -jar populate.jar —update t7 n 其命令计算引擎执行周期性的更新，使用高达7个或更多个同步线 程，以及在进行程序之前标识数据库中任何新的传感器数据。该程序开 始于计算用于任何新客户警报和可视化工具的用户所创建的机器单元的 任何新定制等同体的规则。其然后从服务器检索新到的原始传感器数据，
将该新数据存储在Oracle数据库中，并为新添加的数据计算特殊异常评 分和客户警报。其将所有这些计算的结果存储在数据库中，使得可视化 工具能够显示特殊异常评分和客户警报的热图。如果这些计算使用规则 以超前时间触发了有较高可能性检测到机器劣化事件的客户警报，那么 计算引擎可以被构造成向该监视&诊断组的成员发送警告信号。警报可以 是通过组的计算机/笔记本所显示的音频和/或视觉信号，或者发送到该 组的通信装置(例如移动电话、传呼机、PDA等)的信号。
可视化工具的主要用途是将特定机器单元的热图显示给监视&诊断 组的成员。可视化工具的用户可以改变数据范围，改变等同体组，以及 掌握单个标记的数据的时间序列图。可视化工具可以使用用于其表示层 和用户界面的Java服务器页面(Java Server Pages )。该Java服务器 页面是MVC构架的视图，并且不包含商业逻辑。对于这一示范实施例， 对服务器和客户端机器的唯一要求就是一个Java兼容的服务小程序容器 (servlet container)和网络浏览器。
可视化工具也支持几个其它使用情况。使用可视化工具可以察看等 同体热图；查找具有相似警报的机器；创建定制等同体组；创建客户警 报；以及察看几种报告。等同体热图将每一机器的热图合并成为单个热 图，相邻的列及时地在相同时刻显示等同体机器的热图单元，而不是提 前或推迟显示该机器自己的热图单元。用户可以改变日期；掌握与特定 标记的等同体的数据相比的时间序列图表，和穿过到机器热图。在其它 页面上，用户也可以指定客户警报以及查找已经触发这些警报的机器。 用户可以创建、修改以及删除客户警报的规则。报告总结关于所监视的 单元的信息、单元的原始传感器数据的等待时间(不同单元中是不同的)、 以及目前所触发的警报的精度。
例如，如果将本发明所实施的异常检测技术应用于出现显著故障事 件的一组涡轮机，故障事件就很少，在历史传感器数据也有效的4个月 期间只有IO个涡轮机出现过。对于经历过该事件的每一涡轮机(事件单 元)而言，收集了高达2个月的历史数据。为了进行比较，得到200个 没有经历该事件的涡轮机(无事件单元)的4个月历史数据。
为每一事件单元创建一个等同体组，其由工作于相同地理区间内的
具有类似配置的6 - 8个其它涡轮机组成。然后对于每一事件单元和无事 件单元计算Z内和Z间特殊异常评分。当一个单元工作于按照操作模式、 输出瓦特、以及周围温度所测得的类似条件下时，Z内值表示该单元与过 去观察相比较有多么不同。当 一个单元和其等同体工作于类似的条件下 时，Z间值表示该单元相比于其等同体有多么不同。然后如图11中所述， 通过热图将这些偏差可视化。
如图11中所示，热图的列表示时间周期。该时间周期可以日、小时、 分钟、秒或者更长或更短的时间周期。热图的行表示所关心的量度，诸 如振动和性能测量。对于每一量度而言，可以有两行或更多行的彩色单 元，然而在图11中只示出了 l行，并且为了清楚，使用各种式样的图案 使单元阴影化。白色单元可以认为是正常的或者非异常。该AFPAP行中 浅色垂直线填充的单元可以认为是较低的负值，而GRS—PWR-C0R(修正的 总功率)行中深色垂直线填充的行可以认为是较大的负值。该CSGV行中 的浅色水平线可以认为是较低的正值，而相同行中的深色水平线可以认 为是较高的正值。下面的警报行在具体单元中具有网状线图案。这只是 在低、高以及正常值之间进行可视化区分的一个示例，并且可以使用许 多各种图案、颜色和/或颜色强度。
热图的单元可以显示不同颜色或不同阴影或图案，以在数据的不同 级别或幅度和/或方向/极性之间进行区分。在两行的实施例中，顶行可 以表示Z间特殊异常评分的幅度，而底行可以表示Z内特殊异常评分的 幅度。如果异常评分为负(表示一个值不寻常的低)，那么单元可以着以 蓝色。更小的负值可以是浅蓝色，并且更大的负值可以是深蓝色。如果 异常评分为正(表示一个值不寻常的高)，那么单元可以着以橙色。更小 的正值可以是浅橙色，并且更大的正值可以是深橙色。用户可以指定达 到某种颜色强度所需要的幅度。可以按照需要有许多显示的颜色等级， 例如不是三个颜色登记，而是可以显示1、 2或4或更多个颜色强度等级。 在这一示例中，通过灵敏度分析确定截止值。
图12中所显示的热图提供了最近24小时周期的整个系统状态的单 个快照。这些单元标识相比于涡轮机的过去或者等同体不寻常的那些量 度。热图让监视组的成员能够快速察看系统状态，并标识热点传感器值。 在故障事件单元的情况下，热图显示涡轮机在许多性能测量方面经历了 显著的跌落，诸如GRS—PWR—C0R (修正的总功率)，同时其在振动方面经
历了显著的上升(如由BB和BR量度所测量的)。对事件与无事件涡轮机 热图的检查显示出在事件之前的几个小时，IO个事件单元中的4个中出 现了这一信号，但是任何无事件单元中都没有。通过可视化的检查事件 单元与无事件单元的热图，监视组可以研究出用于这种故障条件的警告 标志的规则。然后可以将这些规则以基于规则的红色标志的形式编程到 系统中。然后该系统就可以监视涡轮机，并且当这些红色标志被触发时 发出信号或者警告该监视组。
图12中所示热图的顶行可以显示各种图案、颜色和颜色强度，以在 不同范围的值之间进行可视化的区分。在这一示例中，大的负值可以通 过深色水平线表示，中等负值通过中等水平线表示，并且低的负值通过 浅色水平线表示。类似的，大的正值可以通过深色垂直线表示，中等正 值通过中等垂直线表示，并且低的正值通过浅色垂直线表示。在使用颜 色的实施例中，图12中所示热图的顶行中的矩形可以显示各种颜色和强 度。例如，使用深色水平线填充的框可以通过实心深蓝色替换，使用中 等水平线填充的框可以通过实心蓝色替换，并且使用浅色水平线填充的 框可以通过实心浅蓝色替换。使用深色垂直线填充的框可以通过实心深 橙色替换，使用中等垂直线填充的框可以通过实心橙色替换，并且使用 浅色垂直线填充的框可以通过实心浅橙色替换。这些只是可以用来在各 种异常值或评分之间进行区分的许多颜色、图案和强度的几个示例。
虽然这里已经描述了各种实施例，但是从说明书中理解，在本发明 的范围内可以对这里的元件、变化或改进进行各种组合。
权利要求
1.一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。
2. 如权利要求l的方法，进一步包括步骤计算至少一个幅度异常测量，所述至少一个幅度异常测量标识所述 操作数据或者所述至少一个特殊异常评分在预定时间周期上的平均值。
3. 如前述任一权利要求的方法，进一步包括步骤频率异常测量指示具有异常值的任何预定时间周期。
4. 如权利要求2或3的方法，其中从包括秒、分钟、小时、日、周、 月和年的组中选择所述预定时间周期。
5. 如前述任一权利要求的方法，其中所述聚合步骤进一步包括 计算至少一个频率异常测量，所述至少一个频率异常测量标识具有异常值的预定时间周期的数量；从所述组中选择的所述预定时间周期包括秒、分钟、小时、曰、周、月和年中的至少一个。
6. 如前述任一权利要求的方法，其中所述至少一个机器是涡轮机， 其选自于包括压缩机、燃气轮机、水电轮机、蒸汽轮机、风力涡轮机、 引擎、发电机组、机车以及发电机的组。
7. 如前述任一权利要求的方法，其中获得操作数据的步骤进一步包括从多个机器获得操作数据，每一所述机器在配置、容量、尺寸、输 出和地理位置中的至少一个方面是相似的。
8. 如权利要求2至8之一的方法，进一步包括 以图形或表格形式中的至少一个来组合所述至少一个幅度异常测量和所述至少一个频率异常测量，所述组合指示在所述至少一个特殊异常 评分中是否存在任何急性或慢性异常。
9. 如权利要求2至9之一的方法，其中急性异常通过所述至少一个 幅度异常测量的高值、所述至少一个频率异常测量的低值、以及极少出 现的异常值中的至少一个来指示。
10. 如权利要求2至9之一的方法，其中慢性异常通过所述至少一个幅度异常测量的低值或高值、以及所述至少一个频率异常测量的高值 来指示。
全文摘要
本发明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。
文档编号G01M99/00GK101354317SQ20081013348
公开日2009年1月28日 申请日期2008年7月25日 优先权日2007年7月27日
发明者A·J·特拉瓦利, C·A·拉康布, D·森特克-多加纳克索伊, P·T·斯克罗尼克, R·J·鲁西盖伊 申请人:通用电气公司