Relatore | Trascrizione |
| Alan Rezadeh | Ciao a tutti, grazie per esservi uniti a questa presentazione. Mi chiamo Alan Rezazadeh, lavoro con il Southern Alberta Institute of Technology. La mia posizione è |
| uno scienziato di analisi della ricerca. Parleremo di analisi industriali e, ad esempio, ci concentreremo maggiormente sulle turbine eoliche e sul monitoraggio delle condizioni delle turbine eoliche. |
| Ringraziamenti. |
| CFREF, Canada First Research Excellent Fund, grazie per avermi permesso di partecipare a questa conferenza. |
| EDP Renewable Energy Wind Farm dalla Spagna, grazie per aver condiviso i dati operativi, che sono disponibili gratuitamente per la ricerca e l'istruzione. E soprattutto, JMP per aver creato questo fantastico software di rilevamento statistico. |
| Agenda. Parleremo dell'ambito dell'analisi industriale, di ciò che è incluso nell'analisi del settore |
| e come considereremmo le apparecchiature industriali come un processo; preparazione e comprensione dei dati; e definizione dei sottocomponenti, come trovare l'obiettivo nella definizione dei sottocomponenti; e alla fine monitorerà il degrado e le prestazioni, che è chiamato monitoraggio basato sulle condizioni. |
| Quindi, nell'ambito dell'analisi industriale, abbiamo praticamente tutto incluso. Quindi abbiamo grandi serie temporali di dati che arrivano dai sensori, che è IoT. |
| E vogliamo fare ottimizzazione dei processi, scoperta della conoscenza, processo decisionale. Fondamentalmente, vogliamo ridurre l'inquinamento, vogliamo aumentare la produzione di beni, come l'energia dalle turbine eoliche o dai pannelli solari, oppure vogliamo monitorare lo stato di salute o le condizioni delle apparecchiature industriali. |
| Quindi la prima idea è che un macchinario complesso, come un motore a reazione con turbina a gas, sia fondamentalmente un processo. C'è input, c'è output. L'ingresso, in questo caso, che è una turbina a gas, è aria e carburante; l'uscita è elettricità e scarico, una specie di fumi e gas. Quindi lo romperemmo |
| un compressore, una camera di combustione e un generatore di corrente. È il caso più semplice. Quindi ora abbiamo un processo e dei sottocomponenti. Quindi, da ora, potrei cambiare il termine processo e attrezzatura in modo intercambiabile con loro insieme. |
| Quindi fino a che punto andiamo nell'abbattere il processo? Quindi vogliamo scomporlo in sottocomponenti più piccoli e semplici che possiamo effettivamente descriverlo con una formula fisica matematica, come l'aerodinamica o la termodinamica e così via. |
| Quindi principi primi, da cui una cosa si sa, Aristotele. Quindi stiamo suddividendo in componenti più piccoli. |
| E questo è un ciclo di guasto per motori a reazione o anche per turbine a gas. Quindi, come possiamo vedere, nel tempo, ci saranno dei cambiamenti, delle modifiche, del degrado se lo chiamiamo. |
| Inoltre non è solo a causa dell'usura. Potrebbe essere dovuto a cambiamenti operativi, quindi la temperatura dell'aria cambierà, la domanda elettrica dalla rete cambierà. |
| Di conseguenza, la modalità operativa dell'apparecchiatura cambierà. Quindi ora vogliamo distinguere tra modalità operative e degrado, quindi ciò significa che dobbiamo prima sapere qual è la modalità operativa. |
| Diciamo per un |
| turbina eolica, abbiamo il rotore, |
| albero a bassa velocità, abbiamo cambio, generatore e un trasformatore. |
| È un sistema complesso; lo scomponiamo in sottocomponenti più piccoli. |
| idraulica, |
| lubrificazione, raffreddamento e così via. Quindi l'input per il processo è il vento, l'output è la potenza. Quindi vediamo, vento contro energia, che è la curva di potenza nell'industria dell'energia eolica. Quindi il |
| Asse X, abbiamo l'energia eolica, la velocità del vento, e sull'asse verticale, abbiamo la potenza. Quindi è una tipica curva di potenza che viene utilizzata per l'analisi delle turbine eoliche. Come possiamo vedere, è un sistema complesso. Quindi a quattro metri al secondo, |
| il sistema inizia a funzionare. Prima, è in modalità inattiva e aspetta che soffi il vento. A quattro metri al secondo, è la velocità minima del vento che può operare, |
| così lentamente inizierà a produrre elettricità. Sopra i 12, sta diventando forte, quindi devono ridurre la quantità di energia che raccolgono dal vento, e questo viene fatto cambiando la lama, l'angolo delle lame. |
| Al di sopra dei 25 metri al secondo, l'utilizzo dell'apparecchiatura non sarà sicuro, quindi viene spenta. |
| Quindi ora abbiamo una demo dal vivo, |
| e |
| produrremo la curva di potenza. |
| Così |
| velocità del vento contro potenza. Quindi, come possiamo vedere con il contorno, l'alta concentrazione è intorno alla modalità al minimo e alla velocità del vento inferiore. Quindi questo è il regime del vento nel sistema. |
| E man mano che la velocità del vento aumenta, diventa più forte, viene prodotta più elettricità. Quando diventa troppo forte, viene spento. Possiamo vedere gli istogrammi. Se vuoi sapere come farlo |
| JMP, sarebbe abbastanza semplice. Quando la velocità come fattore X e la potenza per Y, raggruppandoli per |
| turbine. |
| Quindi tornando alla presentazione. |
| Ora iniziamo ad analizzare i dati. La prima è l'analisi univariata, quindi analizzeremo i parametri principali, che è, diciamo, la velocità del vento. |
| Farebbero ricerche sulla letteratura esistente e sulle conoscenze ingegneristiche esistenti che se esiste un modello matematico e statistico che descrive il vento. |
| E ce n'è uno, e la distribuzione del vento di solito è conforme a Weibull. Quindi paragoneremmo il vento con il Weibull. Vedremmo che è molto vicino. |
| Tuttavia, tra diverse turbine ce ne sono alcune minori??? differenze, quindi c'è una piccola opportunità, opportunità di ottimizzazione della ricerca. |
| Quindi la turbina 9 è diversa da 6, quindi il vento da 6 e 9 è diverso, quindi potrebbe essere dovuto a interferenze, interazioni tra queste turbine, il che va bene. Succede nel settore. |
| Ed è un'opportunità di ottimizzazione per ridurre questa scia ed è un argomento molto noto nel settore. |
| Quindi, dopo l'analisi univariata, passiamo alla tipica scienza dei dati |
| preelaborazione. Valori mancanti, ci sono zeri? Gli zeri significano davvero zero o mancano dei valori? Quindi gestiamo quelli; non è un argomento di questo discorso. Valori anomali, parleremo un po' di valori anomali. |
| Così |
| nei miei progetti togliamo ogni valore che non è fisicamente possibile. Quindi se la temperatura... la temperatura dell'aria è registrata a 100, sai che non abbiamo 100 gradi, quindi lo rimuoviamo. Ma non cambieremmo gli altri dati in base al nostro giudizio, quindi li conserviamo molto. |
| E la convergenza di data/ora, quindi eseguiamo alcune conversioni di data/ora per adattarle al formato JMP. Quindi questi sono praticamente uno standard. Quindi un metodo di univeriate, |
| l'analisi anomala multivariata è Mahalanobis, ed è ben supportata da JMP e la esamineremo. Quindi, in pratica, se abbiamo quattro parametri, produciamo un output |
| e guardiamo questo. Quindi Mahalanobis e questi sono i valori anomali. Non elimineremo questi valori anomali, ma, tuttavia, questi sono i centri di focalizzazione e attenzione su cui esamineremmo. Quindi per la demo dal vivo, |
| usando |
| Graph Builder, possiamo facilmente tracciarli rispetto ai Mahalanobis e controllare diverse turbine. |
| Quindi, per esempio, abbiamo un piccolo picco qui. È al di sopra dei limiti di controllo superiori, quindi è un valore anomalo. Quindi controlliamo per vedere cosa è successo e puoi vedere i parametri, come sono stati modificati. |
| Per produrre questa distanza di Mahalanobis, possiamo utilizzare le funzionalità multivariate di JMP, |
| produrre |
| sotto analisi anomale, Mahalanobis, e quindi salvandoli nei dati. |
| Quindi tornando alla presentazione. |
| Quindi, dopo aver terminato la pre-elaborazione, |
| inizieremmo la scoperta dei dati. Vogliamo vedere cosa ci dicono i dati, quindi ho fornito un piccolo background della curva di potenza, di come funzionava il flusso. Quindi formalizziamo un po'. |
| All'inizio è al minimo, quindi in attesa di un vento più forte. Quindi c'è qualcosa di vento. Iniziamo. La velocità di rotazione aumenta, c'è più vento. |
| Ci colleghiamo alla rete, ciò significa che la turbina è collegata al generatore. Il generatore ora ha abbastanza velocità e si collega alla rete e produce elettricità. |
| La velocità del vento aumenta. Stiamo producendo una buona quantità di elettricità, ma non è al massimo. Man mano che il vento diventa più forte, arriviamo al livello massimo di |
| produzione di energia elettrica. Poiché il vento diventa ancora più forte ed è troppo, dobbiamo ridurre l'energia che otteniamo... raccogliamo dal vento, o potremmo voler fermarci completamente perché è troppo forte. |
| Quando le condizioni si stabilizzano, il vento è di nuovo lento, andiamo al minimo. Quindi è un ciclo; è un diagramma di flusso. Ora facciamolo dentro con i dati. |
| Quindi ecco una modalità di parcheggio dati tridimensionale, stiamo aspettando, al minimo. Stiamo aspettando, parcheggiamo, non siamo operativi. |
| Il rotore prende velocità producendo elettricità minima. Questo è collegare la produzione subrated |
| e valutato. E se diventasse troppo forte, andrebbero di nuovo in questo parcheggio e interromperebbero l'operazione. Quindi quello che abbiamo qui è il raggruppamento |
| e confrontare gli AIC. Quindi, se abbiamo un cluster o due o tre, confrontiamo il cluser... i risultati del clustering e raccoglieremo il numero di cluster che danno il |
| il migliore...non posso dire il migliore...l'errore minimo, mentre il numero non è troppo alto. Quindi vediamolo in azione, come funzionerebbe. |
| Quindi stiamo facendo il clustering e il clustering fino a 10. Non volevo impiegare troppo tempo nella presentazione. Ci vogliono dai 10 ai 15 secondi circa. Quindi stiamo trovando i cluster all'interno della Turbina 1. |
| Così |
| ogni cluster è fondamentalmente la concentrazione di |
| modalità operative quindi, allora sapremmo come funziona questa turbina. Quindi abbiamo l'AIC rispetto al numero di cluster. |
| Vorrei |
| tracciare il grafico |
| AIC rispetto al numero di cluster. |
| Quindi non è così fluido come dovrebbe perché ho usato una serie di iterazioni e strumenti e l'ho reso veloce. Tuttavia, per la produzione e per il lavoro vero e proprio, ci vorrebbe più tempo. |
| Quindi, come possiamo vedere su 6, 7, 8, è un buon numero di cluster, mentre l'errore è diminuito. L'errore scenderà leggermente di più |
| se continuiamo con più cluster, tuttavia, aumenterebbe la complessità e se lo aumentassimo troppo, potrebbe diventare overfitting. |
| Così |
| adesso |
| li tracciamo. |
| Quindi questo è per Turbine 1, e mentre li tracciamo, possiamo vedere che ci sono alcune transizioni ed è allora che andiamo dal vento forte al parcheggio perché il vento è troppo forte. |
| Quindi tornando alla presentazione. |
| Ora, quanti cluster sono il numero giusto? Quindi se c'è un cluster, tutto è un gruppo, ok. Non è una nostra preoccupazione. |
| Se ci sono due cluster, possiamo vedere che l'algoritmo sta raccogliendo questo gruppo qui. Lo chiamiamo inattivo, solo in attesa. O tre cluster, sta parcheggiando, il rotore aumenta la velocità e le operazioni, quindi l'algoritmo rileva questi tre. |
| Se esaminiamo sei, sette o otto hanno più senso. Ne ho presi sei perché è un piccolo numero per questa presentazione. Un ingegnere delle operazioni può prenderne più, otto o nove. |
| Quindi una demo dal vivo, e questa l'abbiamo già vista. |
| gerarchico, K-mean e normale. Per i progetti industriali, di solito uso miscele normali. |
| Per i progetti aziendali, gerarchico avrebbe abbastanza senso, perché fornisce una buona scomposizione della logica. K-mean è computazionalmente intensivo e su grandi set di dati richiederebbe troppo tempo. |
| Quindi l'ipotesi con la miscela normale è che i cluster siano convessi in distribuzione normale, quindi ciò significa che hanno solo un picco. Ed è proprio così. |
| Nel... quando abbiamo una modalità operativa, di solito funziona all'interno di quella modalità operativa all'interno di un centro, quindi la miscela normale è una sicura |
| algoritmo da utilizzare per il clustering. |
| Passiamo ora al monitoraggio delle condizioni. Abbiamo fatto tutto il raggruppamento, ok. Cosa stiamo facendo con loro? |
| Parliamo di cosa monitoreranno qui. |
| Poiché gli ingranaggi nel cambio funzionano, c'è un punto di contatto nel cambio. A causa dell'usura, questo punto di contatto potrebbe spostarsi nel tempo. Questo è ciò che vogliamo trovare. Tuttavia, |
| se la linea ventrale sta lavorando sodo e c'è così tanta coppia in essa, il punto di contatto potrebbe essere diverso da quando la coppia non è così forte e |
| il vento non è così forte. Quindi questo significa ancora una volta, modalità operativa. Quindi vogliamo confrontare questi punti di contatto all'interno di una modalità operativa, non quando le modalità operative sono troppo diverse l'una dall'altra. Quindi per questo |
| monitoraggio, possiamo usare una semplice regressione lineare. |
| Quindi facendo una regressione lineare |
| in base a diverse modalità operative. Quindi, per la connessione alla rete, |
| R al quadrato è 99,6%. Possiamo vedere che è una buona approssimazione. È una bella linea di regressione. |
| 99.993. È una buona R al quadrato, quindi useremo questo. |
| Per le operazioni nominali, |
| non abbiamo ottenuto una buona R al quadrato, quindi lo escluderemo. Quindi in pratica andremo a mettere insieme questa modalità operativa che ci sta dando una buona R al quadrato per l'analisi che vogliamo fare. Ora torniamo alla demo. |
| Questa è fondamentalmente la vecchia regressione lineare. È successo in pochi secondi. Come possiamo vedere, ci sono 521.000 record ed erano solo due-tre secondi, quindi è una prestazione eccellente. |
| Quindi queste sono le modalità operative che selezioneremo. Diamo ancora un'occhiata per confermare che stiamo selezionando i valori giusti. |
| Adattando Y per X, tracciamo i contorni della densità. Quindi quello che ci piace vedere qui è la linea di regressione per passare attraverso i centri della densità, e questo sta passando. È bello. |
| Ci mancherà, e questo è il minimo che abbiamo scelto di non usare. |
| È una bella linea di regressione. |
| Per la produzione nominale, mancano i punti di densità, quindi non utilizzeremo questo. |
| È molto confermata l'osservazione che abbiamo avuto con R al quadrato. |
| Quindi abbiamo fatto questo. Cosa verrà dopo? |
| Disegniamo i residui. Residui di turbine. |
| E analizzeremmo i residui quando i residui aumentano. Allora facciamo una demo dal vivo. Avrebbe senso. |
| Quindi stiamo tracciando i residui per tutte e cinque le turbine, solo per le modalità di funzionamento selezionate. Così al minimo e valutati, li escludiamo. Cosa succede se tracciamo gli altri? Per il minimo è tutto finito, non significa niente, non ci dice niente. |
| Stessa cosa con la produzione nominale. Non dice niente, non dice molto. |
| Tuttavia, con questo insieme, |
| possiamo vedere i residui aumentati in alcune date specifiche. E in realtà se guardiamo il registro delle riparazioni, questa era una riparazione, quella era un'altra riparazione e qui vediamo un bel graduale aumento. Quella era un'altra riparazione. |
| Turbina 11, non abbiamo avuto problemi con il cambio. Non è mai... il |
| i residui non sono mai aumentati. |
| E ci sono state riparazioni su Turbine 6, quindi questo potrebbe mostrare alcuni problemi che si sono verificati, ma cos'era... |
| a che livello...diciamo a che livello di residuo è un vero problema. |
| È soggettivo. Dobbiamo quantificare. Dobbiamo guardare a quale livello di residuo ha bisogno un ingegnere per intraprendere alcune azioni. E in questo momento, è una questione molto aperta nell'industria, un argomento aperto per la ricerca. Tuttavia, è uno strumento utilizzato per |
| aiutare gli ingegneri. Quindi tornando a |
| la nostra presentazione. Quindi le tendenze sono per il monitoraggio e a quale livello un ingegnere potrebbe agire e effettivamente interferire e aprire il cambio. È una decisione ingegneristica. Tuttavia, dal punto di vista dei dati, stai aiutando gli ingegneri a prendere decisioni. |
| In sintesi, un processo complesso ha più modalità operative. Quando vogliamo monitorare |
| un dispositivo, dobbiamo sapere quale modalità di funzionamento andremo a monitorare. Ciascuna modalità operativa evidenzia una parte dei processi operativi. |
| Metodi di clustering che possiamo utilizzare per isolare le diverse modalità operative. Monitoraggio delle condizioni, utilizzando le modalità operative per rilevare il degrado, come abbiamo fatto noi. Monitoraggio dei sottocomponenti |
| in considerazione della legge fisica, come usiamo per il rapporto. E se il sistema è complesso e non possiamo descriverlo con una legge fisica, allora useremmo altri metodi, come |
| K-vicino più vicino o la rete neurale. Ed è proprio alla fine di una presentazione, e grazie per l'attenzione. |
