用于工业过程的问题检测的系统和方法

摘要

提供了一种包括配置成存储指令的存储器以及配置成执行指令的处理器的系统。处理器配置成执行指令以接收包括用于机械装置的感测操作的传感器数据，该感测操作经由布置在机械装置中的一个或多个传感器被感测，以及基于传感器数据推导出第一模型矩阵。处理器进一步配置成基于第一模型矩阵推导出协方差回归模型，其中协方差回归模型配置成被执行以基于作为输入的操作机械装置数据推导出预测事件。

权利要求

1.一种系统，包括：

存储器，所述存储器配置成存储指令；以及

处理器，所述处理器配置成执行所述指令以：

接收包括用于机械装置的感测操作的传感器数据，所述感测操作经由布置在所述机械装置中的一个或多个传感器被感测；

基于所述传感器数据推导出第一模型矩阵；

基于所述第一模型矩阵推导出协方差回归模型，其中所述协方差回归模型配置成被执行以基于作为输入的操作机械装置数据推导出预测性事件。

2.根据权利要求1所述的系统，其中所述处理器配置成执行所述协方差回归模型以推导出所述机械装置的所述预测事件。

3.根据权利要求1所述的系统，其中所述第一模型矩阵包括矩阵，其中所述矩阵X的每行包括针对所述一个或多个传感器的不同传感器的所述传感器数据，其中p包括多个传感器数据点并且nm包括被选择在所述矩阵X中的传感器的总数。

4.根据权利要求3所述的系统，其中所述处理器配置成从所述第一模型矩阵推导出第二模型矩阵，其中所述第二模型矩阵包括比所述第一模型矩阵更高的传感器数据之间的相关度；并且其中所述处理器配置成基于所述第二模型矩阵而不是基于所述第一模型矩阵来推导出所述协方差回归模型。

5.根据权利要求4所述的系统，其中所述处理器配置成通过将Pearson相关应用于所述矩阵X来推导出所述第二模型矩阵。

6.根据权利要求4所述的系统，其中所述处理器配置成：从所述第一模型矩阵推导出第三模型矩阵，其中所述第三模型矩阵包括比所述第一模型矩阵更高的传感器数据之间的相关度；以及基于所述第三模型矩阵推导出第二协方差回归模型，其中所述第二协方差回归模型配置成被执行以基于作为输入的操作机械装置数据推导出所述预测事件。

7.根据权利要求6所述的系统，其中所述第三协方差回归模型配置成被执行以基于作为输入的操作机械装置数据推导出第二预测事件。

8.根据权利要求1所述的系统，其中所述处理器配置成通过经由所述处理器基于所述第一模型矩阵执行协方差回归异常检测（CReAD）来推导出所述协方差回归模型。

9.根据权利要求8所述的系统，其中经由所述处理器执行所述CReAD包括经由所述处理器推导出欧几里得距离 ，其中Xi包括所述第一模型矩阵并且其中x包括观测值向量 ，其中 包括

经由所述一个或多个传感器观测的多个测量值。

10.根据权利要求1所述的系统，其中所述机械装置包括燃气涡轮系统，并且其中所述处理器配置成基于所述预测事件控制所述燃气涡轮系统。

11.一种方法，包括：

经由处理器接收包括用于机械装置的感测操作的传感器数据，所述感测操作经由布置在所述机械装置中的一个或多个传感器被感测；

经由所述处理器基于所述传感器数据推导出第一模型矩阵；以及经由所述处理器基于所述第一模型矩阵推导出协方差矩阵；以及经由所述处理器基于所述协方差矩阵推导出协方差回归模型，其中所述协方差回归模型配置成被执行以基于作为输入的操作机械装置数据推导出预测事件。

12.根据权利要求11所述的方法，包括经由所述处理器执行所述协方差回归模型以推导出机械装置的所述预测事件。

13.根据权利要求11所述的方法，其中所述第一模型矩阵包括矩阵，其中所述矩阵X的每行包括针对所述一个或多个传感器的不同传感器的所述传感器数据，其中p包括多个传感器数据点并且nm包括被选择在所述矩阵X中的传感器的总数。

14.根据权利要求11所述的方法，其中所述协方差矩阵包括i、j位置中的元素，其中所述元素是随机向量的第i个元素和第j个元素之间的所述协方差。

15.根据权利要求11所述的方法，其中经由所述处理器推导出所述协方差回归模型包括经由所述处理器执行基于所述协方差矩阵的协方差回归异常检测（CReAD）。

16.一种有形、非暂态计算机可读介质，在其上存储有计算机指令，所述计算机指令当由处理器执行时促使所述处理器：接收包括用于机械装置的感测操作的传感器数据，所述感测操作经由布置在所述机械装置中的一个或多个传感器被感测；

基于所述传感器数据推导出第一模型矩阵；以及

基于所述第一模型矩阵推导出协方差回归模型，其中所述协方差回归模型配置成被执行以基于作为输入的操作机械装置数据推导出预测事件。

17.根据权利要求16所述的计算机可读介质，包括当由所述处理器执行时促使所述处理器执行所述协方差回归模型以推导出所述机械装置的所述预测事件的指令。

18.根据权利要求16所述的计算机可读介质，其中所述第一模型矩阵包括矩阵，其中所述矩阵X的每行包括针对所述一个或多个传感器的不同传感器的所述传感器数据，其中p包括多个传感器数据点并且nm包括被选择在所述矩阵X中的传感器的总数。

19.根据权利要求16所述的计算机可读介质，包括当由所述处理器执行时促使所述处理器从所述第一模型矩阵推导出第二模型矩阵的指令，其中所述第二模型矩阵包括比所述第一模型矩阵更高的传感器数据之间的相关度；并且促使所述处理器基于所述第二模型矩阵而不是基于所述第一模型矩阵来推导出所述协方差回归模型。

20.根据权利要求19所述的计算机可读介质，包括当由所述处理器执行时促使所述处理器从所述第一模型矩阵推导出第三模型矩阵，其中所述第三模型矩阵包括比所述第一模型矩阵更高的传感器数据之间的相关度；以及基于所述第三模型矩阵推导出第二协方差回归模型，其中所述第二协方差回归模型配置成被执行以基于作为输入的操作机械装置数据推导出所述预测事件。

说明书

用于工业过程的问题检测的系统和方法

技术领域

[0001] 本文公开的主题涉及涡轮系统，并且更具体地涉及工业过程中的某些问题的检测。

背景技术

[0002] 各种工业过程和机器系统，例如涡轮系统，可以包含不同组件和子组件之间的复杂的机械相互关系。例如，涡轮可包含能够轴向旋转的一个或多个转子级（例如，轮（wheel）和轮叶）。每级的轮叶或桶能够将流体流动转换成机械运动。目前，人工检验和测试过程用于确定组件是否具有某些问题并且是否到了维修或更换的时候。这种检验和测试可能需要关闭涡轮系统，这通常是耗时且昂贵的。改进涡轮系统中的问题检测将是有益的。

发明内容

[0003] 以下概述了与最初要求保护的发明的范围相当的某些实施例。这些实施例并非旨在限制要求保护的发明的范围，而是这些实施例仅旨在提供本发明的可能形式的简要概述。实际上，本发明可以涵盖可以与以下阐述的实施例类似或不同的各种形式。

[0004] 在第一实施例中，提供了一种包括配置成存储指令的存储器以及配置成执行指令的处理器的系统。处理器配置成执行指令以接收包括用于机械装置的感测操作的传感器数据，该感测操作经由布置在机械装置中的一个或多个传感器而被感测，以及以基于传感器数据推导出第一模型矩阵。处理器进一步配置成基于第一模型矩阵推导出协方差回归模型，其中协方差回归模型配置成被执行以基于作为输入的操作机械装置数据推导出预测事件。

[0005] 在第二中，方法包含经由处理器接收包括用于机械装置的感测操作的传感器数据，该感测操作经由布置在机械装置中的一个或多个传感器而被感测，以及经由所述处理器基于所述传感器数据推导出第一模型矩阵。该方法还包含经由处理器基于协方差矩阵推导出协方差回归模型，其中协方差回归模型配置成被执行以基于作为输入的操作机械装置数据推导出预测事件。

[0006] 在第三实施例中，提供了一种其上存储有指令的有形非暂态计算机可读介质。计算机指令当由处理器执行时促使处理器接收包括用于机械装置的感测操作的传感器数据，所述感测操作经由布置在所述机械装置中的一个或多个传感器被感测。计算机指令当由处理器执行时，额外地促使该处理器基于传感器数据推导出第一模型矩阵，以及基于第一模型矩阵推导出协方差回归模型，其中该协方差回归模型配置成被执行以基于作为输入的操作机械装置数据以推导出预测事件。

附图说明

[0007] 当参照附图阅读以下详细描述时，将更好地理解本发明的这些和其它特征、方面和优点，在附图中类似的字符贯穿整个附图表示类似的部分，其中：图1描绘了涡轮系统的实施例的框图，其包含问题检测和/或预测系统;
图2描绘了图1中图示的涡轮系统的组件的实施例的详细视图；以及
图3描绘了适合于检测和/或预测图1的涡轮系统的问题的过程的实施例的流程图。

具体实施方式

[0008] 以下将描述本发明的一个或多个特定实施例。为了提供这些实施例的简明描述，可能未在说明书中描述实际实现的所有特征。应当理解，在任何这种实际实现的开发中，如在任何工程或设计项目中，必须做出众多实现特定的决策以完成开发者的特定目标，诸如遵守与系统相关的和与业务相关的约束，这可能从一个实现到另一个而变化。此外，应当理解，这种开发努力可能是复杂且耗时的，但是对于技术人员来说将仍然是具有本公开的益处的设计、制作和制造的常规任务。

[0009] 当引入本发明的各种实施例的元件时，冠词“一（a/an）”，“该”和“所述”旨在表示存在一个或多个元件。术语“包括”，“包含”和“具有”旨在是包含性的并且意味着可能存在除所列出的元件之外的额外元件。

[0010] 本文描述的技术提供了混合模型的创建，该混合模型将核回归经验模型（例如，具有嵌入其中的基于物理的子组件模型）与机器学习系统相结合。在一个实施例中，在核回归范例内使用模型来估计涡轮系统的预期行为。然后使用机器学习分类方法进一步分析预期估计和实际数据，以提取未计划的维护事件图案。

[0011] 模型和基向量用于与测试向量进行比较。该比较技术最终导致相似性测量，该相似性测量的一个这种示例是测试向量和基向量之间的欧几里德距离。然后可以例如使用建模向量的传感器范围来归一化这些测量。然后可以将归一化的相似性测量映射到高斯分布中。需要注意的是，可以使用在相似性测量的域上增加或减少并且映射到定义范围（例如：从零到一）的任何连续函数，诸如S型函数，得到每个基向量的总权重。可以对该总权重进行归一化，使得它们总和为1。归一化的权重可以与基向量相乘，并且结果由传感器聚合。这种乘法和聚合步骤的结果可以包括以上提及的预期估计。最后，可以计算测试向量与其对应估计之间的差异作为比较测量（残差）。然后可以使用机器学习分类技术（诸如随机森林、聚类、深度学习等）来识别人工智能（AI）模型。然后可以在实时分析期间使用这些AI模型来识别异常，所述异常可能表现为运行时间向量的残差中的偏差。

[0012] 首先讨论可以与所公开的实施例一起使用的某些工业过程和/或机械系统的实施例可能是有益的。考虑到前述内容并且转到图1，该图是图示工业电力生产系统10（例如，用于生产电力的工业过程的一部分）的图，诸如发电厂，其包括燃气涡轮系统12、监测和控制系统14、以及燃料供给系统16。燃气涡轮发动机或系统12可包括压缩机20、燃烧系统22，燃料喷嘴24、燃气涡轮26和排气部分28。在运行期间，燃气涡轮系统12可以将诸如空气30的氧化剂拉入压缩机20中，然后这可将空气30压缩并且将空气30移动到燃烧系统22（例如，该燃烧系统可包含多个燃烧室）。空气30可以遇到具有机叶的进口导向机叶系统31，机叶可以以各种角度放置，以优化空气30的进气和燃气涡轮系统12的操作。

[0013] 在燃烧系统22中，燃料喷嘴24（或多个燃料喷嘴24）可以喷射与压缩的空气30混合的燃料，以产生例如空气-燃料混合物。该空气-燃料混合物可在燃烧系统22中燃烧以生成热燃烧气体，该热燃烧气体向下游流入涡轮26以驱动一个或多个涡轮级。例如，燃烧气体可以移动通过涡轮26以驱动一个或多个级的涡轮轮叶，这进而可以驱动轴32的旋转。轴32可以连接到负载34，诸如使用轴32的扭矩以产生电力。在通过涡轮26之后，热燃烧气体可以通过排气部分28作为废气36排放到环境中。废气36可以包括诸如二氧化碳（CO2）、一氧化碳（CO）、氧化物（NOx）等的气体。

[0014] 在某些实施例中，系统10还可以包括控制器38。控制器38可以以通信方式耦合到多个传感器42、人机界面（HMI）操作员接口44、以及适合于控制系统10的组件的一个或多个致动器43。致动器43可以包括阀、开关、定位器、泵等，适合于控制系统10的各种组件。控制器38可以从传感器42接收数据，并且可以被用于控制压缩机20、燃烧室22、涡轮26、排气部分28、负载34等。

[0015] 在当前实施例中，可以由协方差回归异常检测（CReAD）系统45（例如，问题检测和/或预测系统45）来收集和分析来自传感器42的数据。例如，可以收集来自传感器42的数据，该数据包含与经由轴系统50而连接的压缩机轮47和涡轮轮（turbine wheel）49相关的数据。CReAD系统45可以通过基于协方差矩阵选择使用协方差回归技术推导出一个或多个模型，如以下更详细描述的。实际上，并非将传统的带宽分析一般应用于核回归，本文描述的技术可以用协方差矩阵创建代替传统的带宽分析或建模，以推导出可以更准确地应用传感器数据的一个或多个模型。然后可以通过应用诸如顺序概率比测试、持久性测试、符号运行之类的统计技术以及诸如随机森林、聚类、深度学习之类的机器学习技术来进一步处理模型。然后在电力生产系统10的操作期间可以执行被处理的模型，以推导出找到了某些不期望的情况和/或以预计将来将发生某些不期望的情况。然后可以使用问题和/或预计的检测，例如，以控制电力生产系统10的操作发出警告、警报等。CReAD系统45可以包含在控制器38中、在外部计算系统中（例如，独立于控制器38）、或者它们的组合中。

[0016] 在某些实施例中，HMI操作员接口44可以由系统10的一个或多个计算机系统执行。工厂操作员可以经由HMI操作员接口44与工业系统10对接。因此，HMI操作员接口44可包含各种输入和输出装置（例如，鼠标、键盘、监视器、触摸屏或其它适合的输入和/或输出装置），使得工厂操作员可向控制器38提供命令（例如，控制和/或操作命令）。此外，来自控制器38和/或传感器42的操作信息可以经由HMI操作员接口44呈现。类似地，控制器38可以负责控制耦合到工业系统10的组件（例如，压缩机20、涡轮26、燃烧室22、负载34等）的一个或多个最终控制元件，诸如，例如一个或多个致动器、阀、换能器等。

[0017] 在某些实施例中，传感器42可以是在向控制器38提供各种操作数据中有用的各种传感器中的任一种。例如，传感器42可以提供压缩机20的压力和温度、涡轮26的速度和温度、压缩机20和涡轮26的振动、废气36中的CO2水平、燃料31中的碳含量、燃料31的温度、压缩机20和涡轮26的温度、压力、间隙（例如，压缩机20和涡轮26之间的距离，和/或可包含在工业系统10内的其它固定和/或旋转组件之间的距离）、火焰温度或强度、振动、燃烧动态（例如，压力波动、火焰强度等）、来自负载34的加载数据、来自涡轮26的输出功率等等。

[0018] 控制器38可以包含（一个或多个）处理器39（例如，（一个或多个）微处理器），其可以执行软件程序以执行所公开的技术。此外，处理器39可以包含多个微处理器、一个或多个“通用”微处理器、一个或多个专用微处理器、和/或一个或多个专用集成电路（ASICS）或其某种组合。例如，处理器39可以包含一个或多个精简指令集（RISC）处理器。控制器38可以包含存储器装置40，该存储器装置可以存储诸如控制软件、查找表、配置数据等的信息。存储器装置40可以包括有形的非暂态性机器可读介质，诸如易失性存储器（例如，随机存取存储器（RAM））和/或非易失性存储器（例如，只读存储器（ROM）、闪存、硬盘驱动器或任何其它适合的光学、磁性或固态存储介质或其组合）。存储器装置40可以存储各种信息，这些信息可以适合于各种目的。例如，存储器装置40可以存储用于处理器执行的机器可读和/或处理器可执行指令（例如，固件或软件）。在一个实施例中，指令当被执行时，使得处理器39创建一个或多个模型以用于预计包含在电力生产系统10中的某些系统或组件的行为。通过推导出预计模型，该预计模型随后可用于预测某些操作的行为，本文描述的技术为电力生产系统10提供了改进的操作效率、改进的维护操作和更有效率的资源使用。

[0019] 图2图示了若干涡轮轮49（例如，涡轮轮48、51和52）的实施例的详细视图。每个涡轮轮48、51或52显示为耦合到轴系统50。在使用中，热燃烧气体促使涡轮轮48、51和52旋转，从而提供轴50的旋转。如较前所提及的，然后旋转轴50可以为负载34（例如发电机）供电，从而产生电力。在操作期间，诸如温度传感器42的传感器42可以布置在轮48、51和52之间并且用于感测轮空间温度。如本文描述的，轮空间可被定义为在旋转轮（例如，轮48、51和/或52）与固定组件（诸如固定支撑环或喷嘴隔膜54、56、58，其可以包含某些涡轮喷嘴60、62、64）之间的小轴向距离。

[0020] 在所描绘的实施例中，温度传感器42可布置在位置66、68、70、72、74和76处。位置66可以是第一级前轮空间位置，位置68可以是第一级后轮空间位置，位置70可以是第二级前轮空间位置，位置72可以是第二级后轮空间位置，位置74可以是第三级前轮空间位置，并且位置76可以是第三级后轮空间位置。可以使用其它位置。此外，除了轮空间温度之外或对轮空间温度的备选，可以使用某些传感器42数据。例如，可以使用压缩机排出压力、压缩机排出温度、其它压力、温度、流量、燃料类型等。

[0021] 如以下进一步详细讨论的，所公开的实施例包含诸如混合模型的模型的创建，其能够分析诸如轮空间温度、压缩机排出压力、其它温度（例如，排气温度）、流量、间隙、燃料类型之类的数据。这种混合模型可用于例如预测车队中特定涡轮系统10的未计划的事件的风险。因此，可以计算与基于传感器42数据的单独燃气涡轮系统或单元12的未计划的维护事件相关联的风险。此外，混合模型可用于优化针对车队中的每个或所有涡轮单元12的操作。例如，通过使用本文描述的预测实施例可以达到更有效率的维护和停机时间表。应当理解，本文描述的技术可以用于经历“磨损”的几乎任何机械系统。实际上，基于温度传感器42的数据，CReAD系统45可以用在各种机械系统中以推导出和预测各种机械事件，诸如轮轮叶破裂、轮叶故障、组件氧化、烧穿等。然而，CReAD系统45可以使用来自传感器42的任何数据来预测或推导出多个问题，所述问题包括针对电力生产系统10的各种组件和/或系统的机械问题、燃烧问题、电气/电子问题等。

[0022] 图3是过程100的实施例的流程图，其可以由CReAD系统45使用以推导出诸如包含系统10的任何组件的电力生产系统10的电力生产系统的某些模型。然后模型可以用于分析某些数据，其包含实时分析，以推导出未计划的维护事件的预测。应当理解，过程100和所公开的实施例可与任何机械装置和/或诸如涡轮、涡轮膨胀机、压缩机和泵的涡轮机械装置一起使用。涡轮可包含燃气涡轮、蒸汽涡轮、风力涡轮、水力涡轮等。此外，过程100可以包含非暂态性机器可读代码或计算机指令，所述代码或指令可以由处理器（例如，处理器39）执行，并且存储在存储器中（例如，存储器40）。实际上，过程100以及本文描述的任何模型可以存储在控制器38中并且用于控制例如与电力生产系统10相关的后勤和维护活动（例如，涡轮机械装置12和涡轮机械装置的资产）。

[0023] 因此，可以收集和处理来自每个单独电力生产系统10的各种数据102（例如，记录数据）（框104）。数据102可以包含历史数据和监视和诊断（M＆D）数据。历史数据可以包括车队中的每个电力生产系统10（例如，燃气涡轮系统12）的维护历史，该维护历史包含维护日志数据，诸如硬件配置历史以及维修的日期和类型。历史数据还可以包含涡轮12启动的日期和类型（例如，热启动、中启动、冷启动）和任何未计划的维护事件（例如，轮48、51、52事件或针对电力系统10的任何组件或系统的事件）。M＆D数据可以包含例如由在电力生产系统10上的多个位置和系统处的传感器42传送的数据。另外，感测数据可以包括温度、压力、流速、旋转速度、振动和/或发电（例如瓦特、安培数、伏特）。

[0024] 传感器确定（框104）可以用于确定可以使用传感器42的哪个子集（或整体）。例如，某些传感器42可以提供更指示某些问题的数据102。数据处理过程（框106）可以用于清理数据102并且从数据102中选择传感器42数据的子集。然后模型构建（框108）可以定义一个或多个模型110。在某些实施例中，模型110可以包含来自所选择的传感器42数据的子集的矩阵。示例模型矩阵X可以是：其中矩阵的每行表示布置在电力生产系统10中的特定传感器42。例如，行可以表示温度传感器、压力传感器、流量传感器、扭矩传感器、间隙传感器等。每列可以表示感测数据的不同时间，这里称为向量。例如，列一可以呈现含有所有指定的传感器42的值的时间1向量，列二可以表示时间2，列三可以表示时间3等。此外，在某些实施例中，矩阵X可以是协方差矩阵，该协方差矩阵的i、j位置中的元素是随机向量的第i个和第j个元素之间的协方差。随机向量可以是具有多个维度的随机变量。

[0025] 在一个实施例中，自动化系统可以收集传感器42数据，然后可以推导出矩阵X。某些复杂的涡轮机械装置可以具有数百个（否则数千个）传感器42，并且每个传感器42可以以频繁的时间间隔（例如，每一个或多个微秒、毫秒、秒、分钟、小时等）收集数据。然后模型构建过程可以将矩阵X划分成一个或多个较小矩阵X1  ... Xn（例如，包含括在相应模型110中的每个矩阵X1  ... Xn），所述矩阵可以是协方差矩阵，该协方差矩阵的i、j位置中的元素是随机向量的第i个和第j个元素之间的协方差。

[0026] 矩阵X可以被划分成一个或多个矩阵X1  ... Xn，使得矩阵X1  ... Xn中的每一个可以具有更多相关的传感器42群组（例如，与矩阵X相比的更高的协方差）。因此，每个矩阵X1 ... Xn可以包括比矩阵X更少的传感器42行。然而，也可以在矩阵X1  ... Xn中的多于一个中找到特定传感器42行。因此，即使给定模型110可以包含具有不如期望的那样精确的传感器42的第一矩阵，那么第二模型110也可以包含具有相同传感器42的第二矩阵并且可以更准确。因此降低了交叉灵敏度。

[0027] 为了将矩阵X划分成矩阵X1  ... Xn，可以使用相关分析（例如，Pearson相关或其它相关技术）。Pearson相关，其也可以称为找到Pearson积-矩相关系数，找到两个变量X和Y之间的线性相关（linear dependence）的测量，给出+1和-1之间的值，其中1是总正线性相关性，0是非线性相关性，-1是总负线性相关性。例如，如果矩阵X中存在400个传感器42，则模型构建（框108）可以从第一传感器（即，传感器1）开始并且确定剩余399个传感器中的哪些其它10个传感器与传感器1最相关。例如，可以找到具有基于传感器1的最高Pearson积-矩相关系数的前10个传感器。然后可以使用这些前10个传感器来创建矩阵X1。然后，模型构建（框108）可以找到未包含在矩阵X1中的下一个传感器并且可以推导出与该传感器最相关的前10个传感器，包含可能已经在矩阵X1中找到的传感器，并且因此创建矩阵X2。该过程可以继续迭代，直到在一个或多个矩阵X1  ... Xn中找到所有400个传感器。因此（一个或多个）模型110的每一个可以包含矩阵X1 ... Xn中的一个。应当理解，不是为每个矩阵X1  ... Xn找到前10个相关传感器，而是可以使用诸如前2、3、4、5、6、7、8、9、10或更多相关传感器的其它数量。

[0028] 可以进一步修剪矩阵X1 ... Xn（例如，框108）以关注某些故障模式。例如，可以选择在预测给定故障模式（例如，i级中的破裂轮叶、脏的压缩机、脏的喷嘴烧问题、熄火问题、温度问题等）中更精确的某些矩阵X1 ... Xn。应当理解，多个故障模式可以与模型相关联，因此框108可以导致可以关注多于一个故障模式的矩阵的子集的选择。

[0029] 然后经由建模引擎112可以进一步处理模型110（例如，矩阵X和/或矩阵X1  ... Xn）。例如，建模引擎可以执行核回归推导，更具体地，协方差回归，以创建一个或多个事件预测模型114。例如，可以使用新的观察或查询向量x  等式（1）
其中观察向量中的数据点 可以例如包含在增加的时间（例如，时间1,2 
... p）处从特定传感器42搜集的当前操作数据，用于当前电力系统10，例如，从正在产生电力的系统10到来的数据。欧几里德距离di
  等式（2）
其中Xi是矩阵X中的向量（例如，列）和/或矩阵X1  ... Xn。实际上，如较前所提及的，可以存在多于一个矩阵X，例如矩阵X1 ... Xn，并且本文描述的关于矩阵X的处理可以应用于矩阵X1 ... Xn中的每一个。

[0030] 为了提供模型114估计，可以使用归一化的向量差：  等式（3）
然后，可以计算高斯协方差核心确定权重：
  等式（4）
其中，H是模型矩阵X的对应向量方式协方差矩阵。

[0031] 然后可以进行预测 ：  等式（5）
此外，预测和查询向量x之间的残差r可以被计算为：
  等式（6）
本文描述的技术使用CReAD来以数学方式优化w（例如，KH）和 。实际上，并非在诸如Nadaraya-Watson（NW）估计器的核回归估计器技术（其可以包含自动关联核回归（AAKR））中应用传统带宽分析，本文描述的技术可以用自动地构建协方差矩阵H和/或矩阵H1  ... Hn来代替传统带宽分析以推导出可以更准确地应用传感器42数据的一个或多个模型。那是由CReAD实现的协方差回归，其应用使用协方差矩阵而不是带宽优化的核回归（例如，N-W估计器）。在一些实施例中，作为对协方差矩阵的备选或除了协方差矩阵之外，可以使用诸如相关矩阵的其它统计测量。

[0032] 在操作中，实际数据116（例如，在系统10的操作期间经由传感器42接收的操作数据）可以用作对建模引擎112的输入，其包含具有模型矩阵X和/或矩阵X1 ... Xn的模型110以及CReAD模型114。模型114可以由建模引擎112推导出，例如，通过将以上描述的CReAD技术应用于模型110（例如，模型矩阵X和/或模型矩阵X1 ... Xn和对应协方差矩阵H和/或H1 ... Hn）。可以执行模型114以推导出估计118（例如，预测 ）和残差r 120（例如，每个模型114的预测118和残差r 120）。可以将残差r（例如，|r|）与范围Rt进行比较。如果|r| > Rt，然后这可能表明在实际数据116中已经找到了问题。例如，问题可能是i级中的破裂轮叶、脏的压缩机、脏的喷嘴、燃烧问题、熄火问题、温度问题等。然后可以执行决定过程122，例如以解决该问题。决定过程122可以导致某些动作的自动执行，所述动作包含控制动作。例如，可以由控制器38调节燃料流量和燃烧参数以解决该问题。同样地，决定过程122可以包含警告、警报、维护的自动调度等。决定过程122可以进一步包含机器学习技术，其对事件进行分类以及预测它们的可能性和视野。通过提供使用传感器42的协方差矩阵的核回归技术，本文描述的实施例可以更准确地推导出或预测问题的发生（例如，i级中的破裂轮叶、脏的压缩机、脏的喷嘴、燃烧问题、熄火问题、温度问题等）。

[0033] 还应注意，可以使用反馈回路，其改进了用于构建模型矩阵X和/或矩阵X1  ... Xn的传感器42的选择。例如，可以经由模型110上的测试数据并且经由分类引擎126来执行测试124。分类引擎126可以包括分类树、随机森林、神经网络、遗传算法等。然后可以执行分类引擎126以将传感器42分类成或分组成改进某些问题的预测的集合。仅通过示例，分类引擎126可以确定布置在位置66、68、70、72、74和76中的温度传感器42和布置在排气部分28中的传感器42可以更准确地用于推导出针对轮叶轮破裂的模型110、114，与仅在它们自己上使用温度传感器42相对。实际上，分类引擎126可以自动地重新分组传感器42，使得例如模型
110、114可以包含更准确地预测某些问题的传感器42数据。

[0034] 本发明的技术效果包括能够实现具有分组的传感器数据的模型矩阵的创建的建模技术。可以经由诸如Pearson相关的统计技术自动地创建模型矩阵。然后可以经由诸如协方差回归异常检测（CReAD）的协方差回归技术将协方差矩阵进一步自动地转换为适合于预测某些电力生产系统问题的协方差回归模型。协方差回归模型可以应用于操作数据（例如，在操作期间搜集的数据，所述操作期间包含电力生产系统的持续操作）以预测某个问题即将发生或已经发生。

[0035] 本书面描述使用示例来公开本发明，其包含最佳模式，并且还使任何本领域技术人员能够实施本发明，包含制造和使用任何装置或系统以及执行任何结合的方法。本发明的可专利范围由权利要求限定，并且可包含本领域技术人员想到的其它示例。如果这种其它示例具有与权利要求的字面语言没有不同的结构元件，或者它们包含具有与权利要求的字面语言无实质差别的等效结构元件，则它们旨在位于权利要求的范围内。