Conférencier | Transcription |
| Alan Rezazadeh | Bonjour à tous, merci d'avoir participé à cette présentation. Je m'appelle Alan Rezazadeh et je travaille avec le Southern Alberta Institute of Technology. Mon poste est |
| un scientifique en analyse de recherche. Nous allons parler d'analyse industrielle et, à titre d'exemple, nous concentrer davantage sur les éoliennes et la surveillance de l'état des éoliennes. |
| Remerciements. |
| CFREF, Fonds d'excellence en recherche Apogée Canada, merci de m'avoir permis de participer à cette conférence. |
| EDP Renewable Energy Wind Farm d'Espagne, merci de partager des données opérationnelles, qui sont librement disponibles pour la recherche et l'éducation. Et surtout, JMP pour la construction de ce fantastique logiciel de découverte statistique. |
| Ordre du jour. Nous allons parler de la portée de l'analyse industrielle, de ce qui est inclus dans l'analyse industrielle |
| et comment considérerions-nous l'équipement industriel comme un processus ; préparer et comprendre les données ; et définir les sous-composants, comment trouver l'objectif dans la définition des sous-composants ; et à la fin surveillera la dégradation et les performances, ce que l'on appelle la surveillance basée sur l'état. |
| Donc, dans le cadre de l'analyse industrielle, nous avons à peu près tout inclus. Nous avons donc de grandes séries chronologiques de données provenant de capteurs, c'est-à-dire l'IoT. |
| Et nous voulons faire de l'optimisation des processus, de la découverte des connaissances, de la prise de décision. Fondamentalement, nous voulons réduire la pollution, nous voulons augmenter le bon rendement de sortie, comme l'énergie des éoliennes ou des panneaux solaires, ou nous voulons surveiller la santé ou l'état des équipements industriels. |
| Ainsi, la première idée est qu'une machinerie complexe, telle qu'un moteur à réaction à turbine à gaz, est essentiellement un processus. Il y a entrée, il y a sortie. L'entrée, dans ce cas, qui est une turbine à gaz, est de l'air et du carburant ; la sortie est de l'électricité et des gaz d'échappement, une sorte de fumées et de gaz. Alors on briserait ça |
| un compresseur, une chambre de combustion et un groupe électrogène. C'est le cas le plus simple. Nous avons donc maintenant un processus et des sous-composants. Donc, à partir de maintenant, je peux changer le terme processus et équipement de manière interchangeable avec eux ensemble. |
| Alors, jusqu'où allons-nous pour décomposer le processus ? Nous voulons donc le décomposer en sous-composants plus petits et plus simples que nous pouvons réellement décrire par une formule physique mathématique, comme l'aérodynamique ou la thermodynamique, etc. |
| Donc premiers principes, à partir desquels une chose est connue, Aristote. Nous nous décomposons donc en composants plus petits. |
| Et c'est un cycle de panne pour les turboréacteurs ou aussi pour les turbines à gaz. Donc, comme nous pouvons le voir, au fil du temps, il y aura des changements, des modifications, des dégradations si nous l'appelons. |
| Ce n'est pas seulement à cause de l'usure. Cela pourrait être dû à des changements opérationnels, donc la température de l'air changerait, la demande électrique du réseau changerait. |
| En conséquence, le mode de fonctionnement de l'équipement va changer. Alors maintenant, nous voulons faire la différence entre les modes opérationnels et la dégradation, ce qui signifie que nous devons d'abord savoir ce qu'est le mode opérationnel. |
| disons pour un |
| éolienne, nous avons un rotor, |
| arbre lent, nous avons une boîte de vitesses, un générateur et un transformateur. |
| C'est un système complexe; nous le décomposons en sous-composants plus petits. |
| hydraulique, |
| lubrification, refroidissement et ainsi de suite. Ainsi, l'entrée du processus est le vent, la sortie est la puissance. Voyons donc, vent contre puissance, qui est la courbe de puissance dans l'industrie de l'énergie éolienne. Alors sur le |
| En abscisse, on a une énergie éolienne, la vitesse du vent, et sur l'axe vertical, on a la puissance. C'est donc une courbe de puissance typique qui est utilisée pour l'analyse des éoliennes. Comme on peut le voir, c'est un système complexe. Donc à quatre mètres par seconde, |
| le système commence à fonctionner. Avant, il est en mode inactif et il attend que le vent souffle. À quatre mètres par seconde, c'est la vitesse de vent minimale qu'il peut opérer, |
| si lentement qu'il commencera à produire de l'électricité. Au-dessus de 12, ça devient fort, donc ils doivent réduire la quantité d'énergie qu'ils récoltent du vent, et cela se fait en changeant la pale, l'angle des pales. |
| Au-dessus de 25 mètres par seconde, le fonctionnement de l'équipement sera dangereux, il sera donc éteint. |
| Nous avons donc une démo en direct maintenant, |
| et |
| nous allons produire la courbe de puissance. |
| Alors |
| vitesse du vent par rapport à la puissance. Ainsi, comme nous pouvons le voir avec le contour, la concentration élevée se situe autour du mode ralenti et de la vitesse du vent inférieure. C'est donc le régime des vents dans le système. |
| Et à mesure que la vitesse du vent s'accélère, il devient plus fort, plus d'électricité est produite. Quand il devient trop fort, il s'éteint. Nous pouvons voir les histogrammes. Si vous voulez savoir comment le faire sur |
| JMP, ce serait assez simple. Lorsque la vitesse comme facteur X et la puissance pour Y, en les regroupant par |
| turbines. |
| Revenons donc à la présentation. |
| Maintenant, nous commençons à analyser les données. La première est l'analyse univariée, donc nous analyserions les principaux paramètres, c'est-à-dire, disons, la vitesse du vent. |
| Ils rechercheraient la littérature existante et les connaissances techniques existantes pour savoir s'il existe un modèle mathématique et statistique décrivant le vent. |
| Et il y en a un, et la distribution du vent est généralement conforme à Weibull. Alors on comparerait le vent avec le Weibull. On verrait que c'est très proche. |
| Cependant, entre les différentes turbines, il y a quelques mineurs ??? différences, il y a donc une petite opportunité, une opportunité d'optimisation de la recherche. |
| Donc la turbine 9 est différente de la 6, donc les vents de 6 et 9 sont différents, donc cela pourrait être dû à des interférences, à une interaction entre ces turbines, ce qui est bien. Cela se passe dans l'industrie. |
| Et c'est une opportunité d'optimisation pour réduire ce sillage et c'est un grand sujet bien connu dans l'industrie. |
| Ainsi, après analyse univariée, nous passons à la science des données typique |
| prétraitement. Valeurs manquantes, y a-t-il des zéros ? Les zéros signifient-ils vraiment zéro ou sont-ils des valeurs manquantes ? Nous les gérons donc ; ce n'est pas un sujet de cette conversation. Valeurs aberrantes, nous parlerons un peu des valeurs aberrantes. |
| Alors |
| dans mes projets, on supprime toute valeur qui n'est physiquement pas possible. Donc si la température... la température de l'air est enregistrée à 100, vous savez que nous n'avons pas 100 degrés, donc nous l'enlevons. Mais nous ne modifierions pas les autres données en fonction de notre propre jugement, nous les conservons donc beaucoup. |
| Et la convergence date/heure, nous effectuons donc des conversions date/heure pour s'adapter au format JMP. Il s'agit donc d'un standard. Donc une méthode d'université, |
| l'analyse des valeurs aberrantes multivariées est Mahalanobis, et elle est bien prise en charge par JMP et nous allons l'examiner. Donc, fondamentalement, si nous avons quatre paramètres, nous produisons une sortie |
| et nous regardons celui-ci. Alors Mahalanobis et ce sont les valeurs aberrantes. Nous n'allons pas supprimer ces valeurs aberrantes mais, cependant, ce sont les centres de concentration et d'attention que nous examinerions. Donc, pour la démo en direct, |
| utilisant |
| Graph Builder, nous pouvons facilement les tracer par rapport aux Mahalanobis et vérifier différentes turbines. |
| Ainsi, par exemple, nous avons un petit pic ici. C'est au-dessus des limites de contrôle supérieures, donc c'est une valeur aberrante. Nous vérifions donc ce qui s'est passé, et vous pouvez voir les paramètres, comment ils ont été modifiés. |
| Afin de produire cette distance de Mahalanobis, nous pouvons utiliser les caractéristiques multivariées de JMP, |
| produire |
| sous analyse des valeurs aberrantes, Mahalanobis, puis les enregistrer dans les données. |
| Revenons donc à la présentation. |
| Donc, après avoir terminé le pré-traitement, |
| nous commencerions la découverte de données. Nous voulons voir ce que les données nous disent, alors j'ai donné un petit aperçu de la courbe de puissance, de la façon dont le flux fonctionnait. Alors formalisons un peu. |
| Au début c'est au ralenti, donc en attente d'un vent plus fort. Il y a donc quelque chose de vent. Nous commençons. La vitesse de rotation augmente, il y a plus de vent. |
| Nous nous connectons au réseau, cela signifie que la turbine est connectée au générateur. Le générateur a maintenant une vitesse suffisante et il est connecté au réseau et produit de l'électricité. |
| La vitesse du vent augmente. Nous produisons une bonne quantité d'électricité, mais ce n'est pas au maximum. Au fur et à mesure que le vent devient plus fort, nous atteignons le niveau maximum de |
| la production d'électricité. Au fur et à mesure que le vent devient encore plus fort et qu'il est trop fort, nous devons réduire l'énergie que nous obtenons... nous récoltons du vent, ou nous pouvons vouloir nous arrêter complètement parce qu'il est trop fort. |
| Alors que les conditions s'installent, le vent redevient lent, nous passons au ralenti. C'est donc une boucle; c'est un organigramme. Maintenant, faisons-le avec les données. |
| Voici donc un mode de stationnement de données en trois dimensions, nous attendons, au ralenti. Nous attendons, nous nous garons, nous n'opérons pas. |
| Le rotor prend de la vitesse en produisant un minimum d'électricité. C'est connecter produire sous-estimé |
| et noté. Et s'il devient trop fort, alors ils retourneront à ce parking et éteindront l'opération. Donc, ce que nous avons ici est un regroupement |
| et comparer les AIC. Donc, si nous avons un cluster ou deux ou trois, nous comparerions le cluster... les résultats du clustering et nous prendrions le nombre de clusters qui donnent le |
| le meilleur... je ne peux pas dire le meilleur... l'erreur minimale, alors que le nombre n'est pas trop élevé. Alors voyons-le en action, comment cela fonctionnerait. |
| Nous faisons donc du clustering et du clustering jusqu'à 10. Je ne voulais pas prendre trop de temps dans la présentation. Cela prend environ 10 à 15 secondes. Nous trouvons donc les clusters dans Turbine 1. |
| Alors |
| chaque cluster est essentiellement la concentration de |
| modes de fonctionnement ainsi, alors nous saurions comment cette turbine fonctionnait. Nous avons donc l'AIC par rapport au nombre de grappes. |
| Je voudrais |
| tracer le graphique |
| AIC en fonction du nombre de clusters. |
| Ce n'est donc pas aussi fluide qu'il le devrait, car j'ai utilisé un certain nombre d'itérations et d'outils et je l'ai fait rapidement. Cependant, pour la production et pour le travail proprement dit, cela prendrait plus de temps. |
| Donc, comme on peut le voir sur 6, 7, 8, c'est un bon nombre de clusters, alors que l'erreur a baissé. L'erreur diminuera légèrement plus |
| si nous continuons avec plus de clusters, cependant, cela ajouterait à la complexité et si nous l'augmentons trop, cela pourrait devenir surajustable. |
| Alors |
| à présent |
| nous les traçons. |
| Donc, c'est pour la turbine 1, et comme nous les traçons, nous pouvons voir qu'il y a des transitions et c'est là que nous passons du vent fort au stationnement parce que le vent est trop fort. |
| Revenons donc à la présentation. |
| Maintenant, combien de clusters sont le bon nombre ? Donc s'il y a un cluster, tout est un groupe, d'accord. Ce n'est pas notre affaire. |
| S'il y a deux clusters, nous pouvons voir que l'algorithme récupère ce groupe ici. Nous appelons cela la marche au ralenti, juste attendre. Ou trois grappes, c'est le stationnement, le rotor prend de la vitesse et des opérations, donc l'algorithme prend ces trois. |
| Si nous examinons six, sept ou huit, ils ont le plus de sens. J'en ai ramassé six car c'est un petit nombre pour cette présentation. Un ingénieur des opérations peut en ramasser plus, huit ou neuf. |
| Donc une démo live, et on a déjà vu celle-ci. |
| hiérarchique, K-mean et normal. Pour les projets industriels, j'utilise généralement des mélanges normaux. |
| Pour les projets d'entreprise, la hiérarchie aurait tout à fait du sens, car elle donne une bonne répartition de la logique. K-mean nécessite beaucoup de calculs et sur de grands ensembles de données, cela prendrait trop de temps. |
| Donc, l'hypothèse avec un mélange normal est que les clusters sont convexes sous une distribution normale, ce qui signifie qu'ils n'ont qu'un seul pic. Et c'est bien le cas. |
| Dans le... lorsque nous avons un mode opérationnel, il fonctionne généralement dans ce mode opérationnel dans un centre, donc un mélange normal est un coffre-fort |
| algorithme à utiliser pour le clustering. |
| Passons maintenant à la surveillance de l'état. Nous avons fait tout le regroupement, d'accord. Qu'est-ce qu'on fait avec eux ? |
| Parlons de ce qu'ils vont surveiller ici. |
| Lorsque les engrenages de la boîte de vitesses fonctionnent, il y a un point de contact dans la boîte de vitesses. En raison de l'usure, ce point de contact peut se déplacer avec le temps. C'est ce que nous voulons trouver. Cependant, |
| si la ligne ventrale travaille dur et qu'il y a tellement de couple, le point de contact peut être différent de celui où le couple n'est pas si fort et |
| le vent n'est pas aussi fort. Cela signifie donc encore une fois, le mode opérationnel. Nous voulons donc comparer ces points de contact dans un mode opérationnel, pas lorsque les modes opérationnels sont trop différents les uns des autres. Alors pour ça |
| surveillance, nous pouvons utiliser une simple régression linéaire. |
| Donc faire une régression linéaire |
| selon différents modes de fonctionnement. Donc, pour la connexion au réseau, |
| R au carré est de 99,6 %. On voit que c'est une bonne approximation. C'est une belle droite de régression. |
| 99.993. C'est un bon R au carré, nous allons donc utiliser celui-ci. |
| Pour les opérations notées, |
| nous n'avons pas obtenu un bon R au carré, nous allons donc l'exclure. Donc, pratiquement, nous allons mettre en place pour ce mode de fonctionnement qui nous donne un bon R au carré pour l'analyse que nous voulons faire. Revenons maintenant à la démo. |
| Il s'agit essentiellement de l'ancienne régression linéaire. C'est arrivé en quelques secondes. Comme nous pouvons le voir, il y a 521 000 enregistrements et ce n'était que deux ou trois secondes, donc c'est une excellente performance. |
| Ce sont donc les modes de fonctionnement que nous allons sélectionner. Jetons un coup d'œil à nouveau pour confirmer que nous choisissons les bonnes valeurs. |
| En ajustant Y par X, nous tracerions les contours de densité. Donc, ce que nous aimons voir ici, c'est la ligne de régression qui passe par les centres de la densité, et c'est le passage. C'est une belle. |
| Il va le rater, et c'est la marche au ralenti que nous avons choisi de ne pas utiliser. |
| C'est une belle droite de régression. |
| Pour la production nominale, il manque les points de densité, nous n'allons donc pas utiliser celui-ci. |
| C'est très bien confirmé l'observation que nous avions eue avec R au carré. |
| Alors on a fait ça. Quelle est la prochaine étape ? |
| Nous dessinons les résidus. Résidus de turbines. |
| Et nous analyserions les résidus lorsque les résidus augmentent. Alors faisons une démonstration en direct. Cela aurait du sens. |
| Nous traçons donc les résidus pour les cinq turbines, uniquement pour les modes de fonctionnement sélectionnés. Alors au ralenti et notés, nous les excluons. Que se passe-t-il si nous traçons les autres ? Pour le ralenti, c'est fini, ça ne veut rien dire, ça ne nous dit rien. |
| Même chose avec la production nominale. Ça ne dit rien, ça ne dit pas grand-chose. |
| Cependant, avec cela ensemble, |
| nous pouvons voir les résidus augmenter à certaines dates précises. Et en fait, si nous regardons le journal des réparations, c'était une réparation, c'était une autre réparation et nous voyons une belle augmentation progressive ici. C'était une réparation de plus. |
| Turbine 11, nous n'avons pas eu de problème avec la boîte de vitesses. Ce n'est jamais... le |
| les résidus n'ont jamais augmenté. |
| Et il y avait des réparations sur Turbine 6, donc cela peut montrer quelques problèmes qui se sont produits, mais qu'est-ce que c'était... |
| à quel niveau... disons à quel niveau de résiduel est un vrai problème. |
| C'est subjectif. Nous devons quantifier. Nous devons examiner le niveau de résidu dont un ingénieur a besoin pour prendre certaines mesures. Et en ce moment, c'est une question très ouverte dans l'industrie, un sujet de recherche ouvert. Cependant, c'est un outil utilisé pour |
| aider les ingénieurs. Revenons donc à |
| notre présentation. Donc, les tendances sont pour la surveillance, et à quel niveau un ingénieur agirait et interviendrait réellement et ouvrirait la boîte de vitesses. C'est une décision technique. Cependant, du point de vue des données, vous aidez les ingénieurs à prendre des décisions. |
| En résumé, un processus complexe a plusieurs modes de fonctionnement. Quand on veut surveiller |
| un appareil, il faut savoir quel mode de fonctionnement on va surveiller. Chaque mode de fonctionnement met en évidence une partie des processus opérationnels. |
| Méthodes de clustering, nous pouvons utiliser pour isoler les différents modes de fonctionnement. Surveillance de l'état, en utilisant des modes de fonctionnement pour détecter la dégradation, comme nous l'avons fait. Surveillance des sous-composantes |
| en considération de la loi physique, comme nous l'utilisons pour le rapport. Et si le système est complexe et que nous ne pouvons pas le décrire avec une loi physique, alors nous utiliserons d'autres méthodes, telles que |
| K-plus proche voisin ou le réseau de neurones. Et c'est vraiment à la fin d'une présentation, et je vous remercie de votre attention. |
