公开(公告)号：CN114254549A

公开(公告)日：2022-03-29

申请号：CN202111120334.9

申请日：2021-09-24

Applicant: 通用电气公司

Inventor： 章占磐 ,  赵广亮 ,  夏金 ,  J·J·米霍克 ,  F·W·里普尔 ,  K·R·巴登 ,  A·E·吉尔

IPC: G06F30/27 ,  G06N20/00 ,  G06F119/02

Abstract: 提供用于操作功率生成资产的系统和方法。因此，多个操作数据集由控制器接收。操作数据集包括性能异常的至少一个指示。多个预测模型由控制器实施，以确定性能异常的多个潜在根本原因和针对潜在根本原因中的每个的多个对应概率。生成合并模型，以用于对多个潜在根本原因和对应概率进行分类。合并模型经由训练数据集来训练，以将多个潜在根本原因与针对性能异常的实际根本原因相互关联。合并模型由控制器实施，以基于多个潜在根本原因和对应概率来确定性能异常的实际根本原因。

公开(公告)号：CN117472017A

公开(公告)日：2024-01-30

申请号：CN202310938933.4

申请日：2023-07-28

Applicant: 通用电气公司

Inventor： S·G·艾扬格 ,  A·E·吉尔

IPC: G05B23/02 ,  F03D7/04 ,  F03D17/00 ,  G06N20/00

Abstract: 本发明的主题是“用于使用机器学习估计风力涡轮机组件的未来故障风险的系统和方法”。一种用于估计工业资产的组件的未来故障风险的方法。方法包括接收与工业资产或工业资产群组关联的多个不同类型的数据。多个不同类型的数据至少包括可靠性数据(诸如时间‑对‑事件数据)。方法还包括基于可靠性数据和可用时间‑序列测量来生成组件的故障预测模型。进一步地，方法包括基于在所接收的数据中可用的数据的类型将故障预测模型应用于不同类型的数据。所应用的故障预测模型包括默认模型、条件生存模型或联合条件生存模型中的一个。因此，方法包括经由故障预测模型来估计工业资产的未来故障风险，并且根据需要实现控制措施。

公开(公告)号：CN113874626A

公开(公告)日：2021-12-31

申请号：CN202080037836.2

申请日：2020-03-03

Applicant: 通用电气公司

Inventor： S·C·埃文斯 ,  郑大年 ,  R·穆诺斯 ,  S·B·沙策尔 ,  B·A·里滕豪斯 ,  S·达沃斯特 ,  A·E·吉尔 ,  N·维拉尼 ,  R·泽蒂娜

IPC: F03D7/04 ,  F03D9/25

Abstract: 提供了一种用于评估或验证由一个或多个升级产生的风力涡轮或风场性能的方法。获得来自风场中的风力涡轮的操作数据的测量值。生成性能的基线模型，并且基线模型中的各个是从操作数据的不同部分开发的。生成步骤过滤风力涡轮，使得它们处于平衡的随机状态。从基线模型选择性能的最优基线模型，并且最优基线模型包括方向。将性能的最优基线模型与风场或风力涡轮的实际性能进行比较。比较步骤确定功率输出的最优基线模型与风场/涡轮的实际功率输出之间的差异。这种差异反映了由升级产生的功率输出的变化。