在机械中诊断机械问题的方法和装置

摘要

一种方法和装置，用于检测在过程中使用的机器中的机械问题。使用例如高级模式识别的建模技术开发该过程的模型，并且该模型被用于生成对于预定的数目的过程的运行参数的以及机器的振动参数的预测值。使用了统计的过程控制方法以确定在对于一个或更多参数的预测的和实际测量值之间的差异是否超越了配置的统计的界限。使用规则集以指示在机器中的实际的或可能的故障。

说明书

相关申请的交叉引用

本申请要求于2004年1月14日提交的序列号为No.60/536,356的，标题为“A Method To Diagnose The Onset Of Mechanical Problems In RotatingEquipment”的美国临时专利申请的优先权，依赖其内容通过引用将其整体内容结合于此，并且以此要求在35U.S.C.119(e)之下的优先权。

技术领域

本发明涉及机械，并且更具体地涉及在这种设备中的问题的诊断。

背景技术

高价值的复杂机械经常构成其所有者的主要投资并且不容易被替换。实例包括消费者项目例如汽车和农场设备，重型设备例如火车、起重机、钻机和重型推土机，还有特殊目的的工厂装备例如发电机、装配线设备，以及传动系设备例如传动装置，用于递送动力至装配线设备。在小错误导致机器的灾难性故障之前，这些机械的所有者期望检测和校正此机械的个别部件的小问题。然而，频繁地对易有故障的每一个小部件的检查通常是不切实际的。该部件可能被深埋于机械中并且需要许多人力小时(person-hour)以移动、检查并且重新安装或替换。除了人力小时的开销，还有用于检查过程期间高价值的设备不运行的开销。只有当零件是充分的有缺陷以至不替换可导致该零件是其中一部分的高价值的复杂机械的故障时，这样的开销才有理由。

明确需要这样的系统，其在机械为其计划的目的而运行时，对于该高价值的复杂机械进行监视，针对个别部件的故障。

一种方法是内建(build-in)特殊目的传感器，其检测每一个别部件的正确运行，并且当相关联的部件故障时，使那些传感器报告。由于许多原因，这种方法是不切实际的，并且未在实践中采用。在许多机器中，存在如此多的移动部件，有些非常小，以至于附着在每个上的特殊目的传感器可干扰必要的运动、破坏必要的空间容差、增加机械的开销以及另外使机械表现得不适合它的目的。此方法的其他问题在于，某些故障模式直到机器被建造和运行之后才能确定，并且不可能保证在这些故障模式被发现之前，传感器会检测出它们。

另一种方法是将振动传感器附着至机械并且分析来自这样的传感器的振动数据。在关联于部件的故障的、机械的一个或更多部件的运行中的变化可改变振动数据的一个或更多特征。许多传统系统采用了此方法。然而可被检测的变化依赖于振动数据的特征和振动数据的处理。

有些传统系统通过测量振动幅度随时间的形状和大小处理振动数据。这些系统被用于确定机械的总的瞬间特性，例如灾难性的轴承故障、或在火车轨道上的火车的靠近。然而，这些系统未被示出以检测机械的小部件中的小变化。这样的小变化通常由于例如驱动轴的更大的更有能量的部件导致的振动而相形见绌。

有些系统通过确定在频域内的振动的统计数据来处理振动数据。然而，这些系统未被示出用于检测复杂机械的小部件中的小变化。这样的小的变化通常由于更大的更有能量的部件导致的在相同频带中的振动而相形见绌。在正常运行中，一些小部件可随时间改变其频率信号特征，这样使用固定的频带难以将正常变化与小部件的逼近的故障所关联的变化区别开来。

基于上述，明确需要一种机械监控系统，其可检测在复杂机械的小部件中的问题，其使得针对那些小部件的维护行为有理由。

本部分中描述的过去的方法可以被实行，但是并不一定是以前被构想或实行的方法。因此，除非在此另有指出，本部分描述的方法并不仅由于这些方法出现在本背景部分而被认为是对本申请的权利要求的现有技术。

在U.S.专利Nos.6,643,799；6,574,613和6,502,018中描述了在现有技术中使用的方法的一些实例。

三个在此署名的发明人中的两个也是提交日期为2004年10月7日的在美国专利申请序列号No.10/962,150标题为“Method and Apparatus forDetecting Faults In Steam Generator System Components and Other ContinuousProcesses”中的发明人。

发明内容

在过程中使用的一种用于检测在机器中的缺陷的方法。该方法具有以下步骤：

开发该过程的模型；

使用该模型生成对于该过程的预定数目的运行参数的预测值以及机器的预定数目的振动参数的预测值；

将通过模型预测的、对于预定数目的振动和运行参数的每一个的预测值与对于每个振动和运行参数的相应的实际测量值比较；以及

使用数值方法，确定在对于一个或更多预定数目的振动和运行参数的预测的和实际测量值之间的差异是否超越了配置的统计的界限。

一个处理设备，其具有：

计算器件，用于检测在该设备中运行的的过程中使用的机器中的缺陷，该计算器件用于开发该过程的模型；

使用该模型生成对于该过程的预定数目的运行参数的预测值以及机器的预定数目的振动参数的预测值；

将通过模型预测的、对于预定数目的振动和运行参数的每一个的预测值与对于每个振动和运行参数的相应的实际测量值比较；以及使用数值方法，确定在对于一个或更多预定数目的振动和运行参数的预测的和实际测量值之间的差异是否超越了配置的统计的界限。

在一个设备中，其具有：

具有一个或更多机器的过程；

计算器件，用于检测在该过程的一个或更多机器中的缺陷，该计算器件用于开发该过程的模型；

使用该模型生成对于该过程的预定数目的运行参数的预测值以及一个或更多机器的预定数目的振动参数的预测值；

将通过模型预测的、对于预定数目的振动和运行参数的每一个的预测值与对于每个振动和运行参数的相应的实际测量值比较；以及

使用数值方法，确定在对于一个或更多预定数目的振动和运行参数的预测的和实际测量值之间的差异是否超越了配置的统计的界限。

计算机可读的媒介，具有用于执行方法的指令，用于检测在设备中运行的过程的机器中的缺陷，这些指令用于：

开发该过程的模型；

使用该模型生成对于该过程的预定数目的运行参数的预测值以及机器的预定数目的振动参数的预测值；

将通过模型预测的、对于预定数目的振动和运行参数的每一个的预测值与对于每个振动和运行参数的相应的实际测量值比较；以及

使用数值方法，确定在对于一个或更多预定数目的振动和运行参数的预测的和实际测量值之间的差异是否超越了配置的统计的界限。

一种装置，其具有：

处理器件，用于：

开发过程的模型；

使用该模型生成对于该过程的预定数目的运行参数的预测值以及机器的预定数目的振动参数的预测值；

将通过模型预测的、对于预定数目的振动和运行参数的每一个的预测值与对于每个振动和运行参数的相应的实际测量值比较；以及使用数值方法，确定在对于一个或更多预定数目的振动和运行参数的预测的和实际测量值之间的差异是否超越了配置的统计的界限。

附图说明

图1示出了锅炉/涡轮动力循环的水/蒸汽侧过程的图。

图2示出了一个框图，其示出了在图1中所示过程的高级模式识别模型的实时部署。

图3是一个框图，示出了包括计算器件的系统，其可被用于实施本发明。

具体实施方式

现在参考附图1，其中示出了过程100的图，其为锅炉/涡轮动力循环的水/蒸汽侧。如本领域普通技术人员所公知，水/蒸汽侧过程100包括蒸汽发生器102、高压涡轮104、中压涡轮106、低压涡轮108、发生器110、冷凝器114、低压给水加热器118、脱气器给水加热器(de-aerator feedwater heater)120、高压给水加热器122、冷凝泵124以及锅炉供给泵126。虽然在图1中只示出了低压给水加热器116、中压给水加热器118以及高压给水加热器122，但是应该理解，通常具有多个加热器116、118以及122，并且在图1中示出一个加热器仅仅是为了图解的方便。还应该理解，在某些设备中，加热器118位于加热器122以及锅炉供给泵126之间。

与过程100相关联的还有几种类型的传感器，例如压力传感器、温度传感器、流量传感器以及振动或其它传感器。这些传感器的一个或更多在过程100中是在测量位置1至23。下表示出了在位置1至23的每一个中典型地是哪个传感器。

  传感器  类型  测量  位置  压力  温度  流量  振动或  其它  1  主蒸汽  X  X  2  HP抽取蒸汽(1至4)  X  X  3  冷再热蒸汽  X  X  4  热再热蒸汽  X  X  5  IP涡轮抽取(1至4)  X  X  6  IP至LP涡轮交叉 X  X  7  LP涡轮抽取(1至4) X  X  8  LP FW加热器入口(1至8) X  X  X  9  LP FW加热器出口(1至8)  X  10  IP FW加热器出口(1至8)  X  11  IP FW加热器入口(1至8)  X  12  HPFWH出口(1至8)/给水 X  X  X  13  HP涡轮轴承  X  X  14  IP涡轮轴承  X  X  15  LP涡轮轴承  X  X  16  发生器  X  17  HP涡轮1st阶段 X  18  HP涡轮密封  X  19  锅炉供给泵(1至3)  X  20  冷凝器 X  21  HP FW加热器排放(1至8)  X  22  IP FW加热器排放(1至8)  X  23  LP FW加热器排放(1至8)  X

在过程100中，蒸汽发生器102生成高压蒸汽。该高压蒸汽通过主蒸汽喷射增加增强，被馈送至高压涡轮104。来自高压涡轮104的膨胀的蒸汽被馈送回蒸汽发生器102，在其中蒸汽被再热。通过再热喷射增强的再热的蒸汽被馈送至中压涡轮106并且通过该涡轮至低压涡轮108。来自低压涡轮108的蒸汽被馈送至冷凝器114，在其中它被冷凝成为水。

来自冷凝器114的水流过冷凝泵124进入低压给水加热器116之中。来自该低压涡轮108的抽取蒸汽也被馈送至加热器116之中。来自低压给水加热器116的加热的水被馈送至中压给水加热器118之中，其还接收来自中压涡轮106的抽取蒸汽。来自中压给水加热器118的加热的水被馈送至脱气器给水加热器120之中，其还接收来自高压涡轮104的水。来自脱气器给水加热器120的加热的水流过锅炉供给泵126进入高压给水加热器122之中。加热器122还接收来自高压涡轮104的水。来自加热器122的加热的水流入蒸汽发生器102。

本发明使用机器的、如例如过程100的图1的分别具有高压、中压和低压涡轮104、106和108形式的旋转设备，以及锅炉供给泵126的稳态预测模型，以检测在机器中的机械问题的发作。存在众多方法以建立这样的用于良好运转的机器的模型，例如图1中示出的用于过程100的那些方法。这些方法的一些是：

1.第一原理模型(First principles models)——这些可以良好工作，但是建立昂贵，并且校准至存在的损耗条件是耗费时间的。而且该模型趋向于不能容忍传感器的漂移或传感器的故障，并且几乎不可能使用这些模型以对振动参数建模。

2.神经网络经验模型——这些模型是对第一原理模型的改进，因为他们自动地包括当前的损耗条件。然而，建立他们非常耗费时间，并且不能容忍随后的传感器漂移、故障，或是完全在训练范围之外的输入集，如在先前没有经历过的故障中可能遭遇的一样。

3.高级模式识别经验模型也自动地包括当前损耗条件。它们具有快速和容易建立的附加优势并且非常容忍多样传感器故障或漂移，或者输入集完全在训练范围之外，如在先前没有经历过的故障中可能遭遇的一样。

如下所述，在本发明的一个实施例中使用高级模式识别(APR)技术以构建机器的模型，如例如在图1中所示的用于过程100的分别具有高压、中压和低压涡轮104、106和108形式的旋转设备，以及锅炉供给泵126。应该理解，包括但不局限于上述的其他方法的其他技术也可被用于构建模型，用于与本发明一同使用。如下面结合图2更详细描述的那样，在APR模型在构建之后被实时部署。一个可被用于生成APR的软件产品的实例是以下软件，公知为Optimax On-Target，从本申请的最早声明的提交日期起，从本发明的代理人处可得到。

虽然在数目上没有实际的上限，APR模型可使用过程100的例如在25至50个之间的测量参数(流量、温度、压力等)，大致与振动参数相等的数目，并且通常乘以与在过程100中使用的特定类型的旋转设备关联的特殊的参数。在特定的APR模型中使用的测量的过程参数的准确数目是设备(例如，给水加热器的数目、涡轮抽取点的数目、锅炉供给泵的数目等)以及在该设备中可用的装置的函数。

一般惯例是，把振动探测器设置在大的或过程关键的旋转器件的多个位置和轴上。结果的谱(spectra)(依赖于探测器的制造商，每个探测器1至3个)可被在实时处理中分解成为元素，用于进一步分析。这些元素随后成为APR模型的输入。这些元素的某些包括这些项，例如幅度、相位角、偏心率以及在三个正交方向上的相对间隙。典型的是，对于每一相对测量位置，这些元素在为轴旋转速度的特殊倍数的频率上以及在并非恰好轴的旋转速度的倍数的频率上被测量，并且在不同的平面上，即三个正交的方向上，再次进行。在大的蒸汽涡轮情形中的特殊化的参数测量的实例，例如是：容器膨胀、推力(thrust)、偏心率以及微分膨胀。

过程参数和振动元素以及特殊化的参数测量的准确数目是被监控的过程、在特殊设备中可用的装置以及特殊的机械器件的函数。如果这些测量的某些不可用，模型的准确度将受轻微损害，但是该方法依然起作用(虽然错误报警可能更为普遍)。在APR模型内部的过程参数用于确定该过程的状态，而振动参数和特殊化的参数测量用于观察反应于过程状态的设备的状态。

现在参考图2，这里示出了过程100的APR模型200的实时部署。至APR模型200的输入是约25至约50个振动参数的那些测量值或者是计算值，其中的三个在图2中标识为“谱元素#1”202、“谱元素#2”204以及“谱元素#3”206，以及在图2中被共同地作为“过程传感器”208标识的约25至约50个过程参数。通过读入参数202、204、206和208的当前值，APR模型200对于这些输入参数的每一个生成期望的(或者模型预测的)值。

对于参数202、204、206、208的每一个的期望值被与实际测量值比较，并且确定在两个值之间的差异-公知为“DELTA”。为了图解的容易，图2仅显示了对于谱元素#1 202参数的期望值与实际测量值之间的DELTA的计算210。当DELTA具有正值时，实际测量值比期望值大。

如图2中通过块212所示，统计过程控制(SPC)方法可以被应用，以对于单一点或者成组的点将“正常”从“不平常”行为中分离。为了图解的容易，图2只示出了与在对于谱元素#1 202参数的期望值和实际测量值之间的DELTA关联的SPC块212。在机器的机械问题的情形中，例如就在锅炉供给泵126内部的轴承的问题，可假定分别对于过程传感器202、204、206和208以及谱元素1、2和3的DELTA，在旋转元件的故障开始后不久将变成“不平常”。因此SPC工具被应用以计算标准偏差以及对于超越配置的统计界限进行测试。

与APR经验模型结合的SPC方法的使用在大多数系统运行条件下将向设备操作员警告在机器中的机械问题的发作。在动力产生单元和众多其他过程的情形中，大多数单元至少在每日的基础上循环装载或吞吐，并且可能更频繁，并且因而在装载和其它过渡过程(例如，煤粉碎机脱开)期间，有可能DELTA值可变得足够大以触发统计界限。然而，持续时间因子可被添加至该界限，这样直到针对可配置的时段，DELTA值在正的方向中是连续地统计地大，报警才被触发。

如上所述，对于统计界限的测试将警告设备操作员总的轴承元件故障的发生，但是大多数机械的问题开始较小并随时间增长。为了识别问题的发作，如图2的块214所示，本发明的技术可将SPC数据模式测试(SPC data patterntesting)应用至该DELTA值。为了图解的容易，图2只示出了块214，用于对于在谱元素#1 202参数的期望值与实际测量值之间的DELTA的SPC数据模式测试。DELTA值可根据工业接受的模式针对数据模式而被测试，其中该模式可以是由Western Electric首先开发的、公知的并且被接受的标准测试，和/或特别地为了与本发明一同使用而建立的模式，或者工业标准与特殊建立的模式的任意组合。模式被存储于块214中。

虽然存在许多普遍接受的模式测试，引起兴趣的是具有正值的在行中的“n”点的一个或者“m”中的“n”点。“n”和“m”的值基于上述的整个持续时间以及大体上执行计算的频率。对于在DELTA值上的持续增加的趋势(例如，在行中的6个点中的5个点增加)，可以实施另一模式测试。

在确定机器的毛病存在中，另一个很感兴趣的参数是APR模型200总体上适合的品质因数(goodness)。在计算范围在0.0000和1.0000之间的“模型适合(Model Fit)”参数中，约50至约100个Delta值的全部被APR模型200使用。由APR模型200使用的计算模型合适参数的技术由被用于制造APR模型200的软件的供应者确定。1.0000的模型适合参数代表完美的模型，即，约50至约100个预测输出全部准确地匹配它们相应的输入值，并且所有的Delta等于0.0000。0.0000的模型适合参数代表模型是如此不完美以至于没有单个的输出统计地接近实际测量参数。在实践中，好的模型适合参数是在大多数时间其具有约0.96的值。

当出现机械问题(或其它显著的设备异常)的发作时，因为许多测量的参数受影响，总体上的模型适合降级。有些，例如三个谱元素，#1 202、#2 204以及#3 206，将变化至高的程度并且其它的例如FW压力、FW流量，轴承油温等将变化至低的程度。该降级将导致总体的模型适合参数在非常短的时段中降级至例如0.94或更低的值。统计的模式测试可再被应用于模型适合参数，并且统计的测试结果可在下述故障规则集内使用。

特别令人感兴趣的是对于谱元素#1、#2和#3以及过程传感器202、204、206和208的分别的参数的Delta。如果出现机械问题，本领域技术人员将预期这四个参数的每一个的实际值比它们相应的模型预测值大。这样本发明的方法将这四个Delta的每一个与它们相应的三个sigma界限比较，以确定是否偏差是正的并且统计上地大。为了图解的容易，图2中只示出了对于谱元素#1 202参数的Delta的比较224。

针对足够消除过渡过程测量效应的一段时段，如果202、204、206、208这4个参数中的任意3个超过了这些统计上的大的界限，那么这是指示了总的机械元件故障。该特定的时段对于机械设备以及其中使用了该设备的系统是特有的。在本发明的使用中，该时段被调整，直到由于装载过渡过程和其他设备扰动引起的错误的或者妨害的警告的数目被设备操作人员认为是可以容忍的。

又，如果对于202、204、206、208的4个Delta中的3个，表现出持续的时段，其中Delta值为略正，即实际值比预测值大，则机械故障是可能的。最后，如果对于参数202、204、206、208的Delta之一与模式之一相匹配，并且模型适合参数比预定的值小—针对预定的时段，这指示了机械问题的发作可能存在。

以上测试的全部都在软件内部的旋转设备问题检测规则集220中具体化，并且如果是真的时候，规则集引起适当的待被发送的警告或消息。例如，规则集220的输出可以是：在220a处可能有重大的问题，在220b处存在问题的潜力，或者在220c处有其他故障。

由于此规则集的开发很好地在本领域普通人员的能力以内，下面将给出如此的一个针对马达驱动启动锅炉供给泵的旋转设备问题检测规则集的实例。如已公知的，马达和锅炉供给泵各在它们的轴的每一侧上具有一套轴承，并且马达和泵的轴被耦合在一起。

在运行中，启动锅炉供给泵在预定的速度如例如1800rpm运行。振动探测器被安装在每一套轴承附近，并且探测器和与其关联的软件相结合，提供整数倍数的振动幅度，其以1开始并且以预定数目例如10倍泵轴旋转速度结束。这些倍数在以下被称为1X、2X…NX，其中N是以1开始的整数。探测器和与其关联的软件结合，也提供泵轴旋转速度的非整数倍数的振动幅度，其在下文被称作非1X。该振动幅度被在三个方向中提供，也就是，径向(上/下)、径向(内/外)以及轴向(左/右)。感兴趣的过程参数是，例如：

泵流量；

泵排放压力和温度；

轴承温度；以及

如果可适用的话，轴承冷却媒介的温度，例如水或油。

对于此实例的规则集是：

如果机械问题是轴承元件故障，预期在径向中的正常1X、2X…NX但是异常的非1X，因为频率是在轴承中辊的数目的函数。

如果机械问题是在轴中的不平衡，预期1X径向将异常。

如果机械问题是在轴中的未对准，预期1X、2X径向以及轴向将异常。

如果机械问题是在泵的内部，例如推进器问题，预期非1X将异常，因为频率是推进器叶片数目的函数而不是泵轴旋转速度的函数。

可能在过程100的部件中有这样的事件，针对其还未写规则集，也就是，在该部件中某事物不寻常。在图2中示出的定时器216和Delta 218被用于这些不寻常事件的警告，并且定时器216提供了输出216a，其为一个指示，即在过程中存在某事物不寻常，并且该指示被提供为规则集220的输入并且作为对于设备操作人员可利用的输出。

在图2中未示出将振动传感器谱数据分解成为在实时处理中的元素。存在用于实现此功能的众多商业产品。本发明直接接收过多的振动参数。

作为旋转设备降级的单独的一条，它的振动特征(来自单独振动传感器的谱)改变。然而，振动特征也由于在过程本身中的改变而改变。由于APR模型200包括关于过程以及振动特征两者的信息，有可能在两者之间区分。因而如果在正常条件下模型适合是好的，在单独振动元件中的持续地统计上地大的Delta成为机械问题的前兆，比通过其它任何方式检测快得多，因为报警阈值可被设置得较低。

本发明的方法使用了经典的模糊数学方法226a(再次，为了图解的容易，对于参数202、204、206和208只示出了模糊数学框226a)和226b，以量化偏差的程度。而在规则集220中，这些值加上类似的用于模型适合参数的值被合并，以检测设备是否运行正常或者以不寻常的方式运行，以及有何种可靠性。

在建立过程100的经验模型200中的第一步骤是，将来自设备历史记录(historian)的覆盖约30天的运行的、针对约50-100个参数的正常运行数据组合。这些天可被选择，以向模型200提供如实际一样的宽的正常运行谱，例如不同的负载、不同的环境条件、在运行中辅件的不同数目等。由于模型200是稳态模型，数据不必按时钟/日历顺序。数据收集频率可以是从每5分钟至每15分钟之间的任意。同时，覆盖相同数据标签的第二套历史数据将被从不同的日历日期组合，以在模型200构建之后对其验证。

在此描述的实施例中使用的APR模型生成软件是Optimax On-Target软件。该软件连接至任何品牌的集散控制系统(DCS)或历史记录，并且包括工具以回顾原始数据并且快速丢弃任何具有丢失数据或明显的异常值的记录。应该注意，当消除覆盖不寻常偏移(例如，由于强迫的通风机的脱开导致的负载的回落(runback))的记录的时候，保持覆盖正常偏移和运行模式(例如，泵在使用中)的数据。通常，在30％单元负载以下的数据被忽略，除非模型的目标是检测在启动或停机过程中出现的故障。

第二步骤是为了消除重复的(或者非常类似的)记录。再次，如在本实施例中使用的模型生成软件所做的，APR模型生成软件应该包括工具以简化去除这样的记录。在此方式中，在约几秒钟内成千上万的数据记录可被减少至少于500个记录。

第三步骤是从训练集中构建模型200，即，从组合的正常运行数据。高级模式识别技术的性质允许当代的PC在少于30秒内完成该任务，这比如例如神经网络或多重非线性回归的其他技术少许多数量级的时间。

第四步骤是通过使用该模型预测针对在第一步骤中收集的第二或验证数据集的值来验证模型200。对于在此描述的实施例，确认数据集是实际的设备数据，其包括约3周的数据，并且包括在记录中的3周的数据中某时间开始的已知的机械故障事件。

为实施本发明的统计过程控制方面，从本专利申请的最早的声明提交日期被选择的时候起，从本发明的代理人处可获得商业的现货供应的OptimaxPerformance软件包，主要地由于该软件包与On-Target高级模式识别软件的紧密集成。具有适当的持续水平的报警界限被选择用于谱元素#1、#2和#3以及过程传感器DELTA以检测总的机械元件故障。前述的数据模式测试被激活用于相同的变量。Optimax Performance软件还包括工具，用于实施管理用于检测机械问题的发作的触发器的规则。

如图3中所显示，本发明可以通过数据通路302以及集散控制系统(DCS)304，以软件程序的形式实施，该程序在被连接至一过程的计算器件300上运行，其例如可以是图1中的过程100。数据通路302具有与图1的测量位置1至23的传感器接口的能力。计算器件300例如可以是任何合适地布置的器件，诸如能够执行程序的桌上型PC。程序可以是在合适的媒介例如CD-ROM上的一系列指令，并且计算器件300具有合适的器件，例如公知的用于容置CD-ROM的CDRW驱动器，以便可从CD-ROM中读入程序并装载进入器件300用于执行，并且如果需要，存储在存储媒介中，例如作为器件300一部分的硬盘驱动器中。

虽然在此描述的用于本发明的实施例使用了APR经验模型，要理解的是，例如神经网络或多重非线性回归的其他经验模型方法也可以在本发明中使用。还要理解，虽然本发明在此与用于产生电的具有蒸汽驱动涡轮发电机装置的形式的旋转器件的机械相结合而描述，本发明同样地应用于是工业过程一部分的任何旋转器件(例如，用于转动在造纸机或钢滚压机中的辊的马达，附着在扇或泵上的电动马达、气体涡轮发电机设备、纸浆厂精炼机、旋转压碎机以及粉碎机、压缩机、在机车中的柴油机发电机设备、在船中的蒸汽涡轮和/或柴油机发电机装置等)。

应该理解，对前述示例性的实施例的描述仅旨在是说明性的，而不是对本发明的穷尽描述。一般技术人员将能够对公开的主题的实施例做出某些添加、删除、和/或修改，而不背离本如通过所附权利要求限定的发明的精神或其范围。