398697_zh-TW

liliconcom

工業分析：使用 JMP 對風力渦輪機進行狀態監測和預防性維護 (2021-US-30MP-867)

級別：高級

 

Alan Rezazadeh，南阿爾伯塔理工學院分析研究科學家

 

對大型感官數據集的基於狀態的監控 (CBM) 需要復雜的特定功能，以檢測工業過程中長時間內的逐漸變化。 使用 SCADA（監督控制和數據採集）應用 CBM 是一種新興的大數據分析實踐，用於檢測設備的逐漸退化並找到修復設備的最有效時間，這也是預防性維護學科的組成部分。

JMP 提供了一套豐富的統計和機器學習工具，可用於基於狀態的風力渦輪機監控。 將湍流和不確定的風能轉換為高度調節的電力的風力渦輪機是一個多變量過程，具有許多參數、子組件和相互作用，需要先進的分析能力來檢測操作中的細微變化。 本文使用 JMP 構建風力渦輪機軸承溫度預測模型。 在將預測值與實際值進行比較後，殘差用於狀態監測。 預測模型產生的殘差在 JMP 過程控制方法中用於量化風力渦輪機的退化，以進行決策和監控。 它還包括高級統計工具的應用，例如 PCA、聚類、神經網絡和非正態分佈，用於風電場內的數據挖掘和過程控制。

 

 

自動生成的成績單...

 

揚聲器	成績單
艾倫·雷紮紮德	大家好，感謝您參加本次演講。 我叫 Alan Rezazadeh，在南阿爾伯塔理工學院工作。 我的立場是
	研究分析科學家。 我們將討論工業分析，並作為一個例子，更多地關注風力渦輪機和風力渦輪機的狀態監測。
	致謝。
	CFREF，加拿大第一研究優秀基金，感謝您允許我參加本次會議。
	來自西班牙的 EDP 可再生能源風電場，感謝您分享運營數據，這些數據可免費用於研究和教育。 最重要的是，JMP 構建了這款出色的統計發現軟件。
	議程。 我們將討論工業分析的範圍，工業分析中包含的內容
	以及我們如何將工業設備視為一個過程；準備和理解數據；以及定義子組件，如何在定義子組件時找到目標；最後將監控退化和性能，這稱為基於條件的監控。
	因此，在工業分析的範圍內，我們包含了很多東西。 所以我們有大量的時間序列數據來自傳感器，即物聯網。
	我們想做流程優化、知識發現、決策。 基本上，我們想要減少污染，我們想要增加輸出良好的輸出，例如來自風力渦輪機或太陽能電池板的電力，或者我們想要監控工業設備的健康或狀況。
	所以第一個想法是複雜的機械，比如燃氣渦輪噴氣發動機基本上是一個過程。 有輸入，就有輸出。 在這種情況下，燃氣輪機的輸入是空氣和燃料；輸出是電力和廢氣，某種煙霧和氣體。 所以我們會打破這個
	壓縮機、燃燒室和發電機。 這是最簡單的情況。 所以現在我們有了一個流程和子組件。 因此，從現在開始，我可以將術語過程和設備與它們一起互換。
	那麼我們在分解這個過程方面走了多遠呢？ 所以我們想把它分解成更小的更簡單的子組件，我們實際上可以用數學物理公式來描述它，比如空氣動力學或熱力學等等。
	亞里士多德，第一原理，從它可以知道一件事。 所以我們正在分解成更小的組件。
	這是噴氣發動機或燃氣輪機的故障週期。 所以我們可以看到，隨著時間的推移，如果我們稱之為，將會有一些變化，一些修改，一些退化。
	這也不僅僅是因為磨損。 這可能是由於運營變化，因此氣溫會發生變化，電網的電力需求也會發生變化。
	因此，設備的運行模式將發生變化。 所以現在我們想要區分操作模式和退化，這意味著我們必須首先知道什麼是操作模式。
	讓我們說一個
	風力渦輪機，我們有轉子，
	低速軸，我們有變速箱，發電機和變壓器。
	這是一個複雜的系統；我們將其分解為更小的子組件。
	液壓，
	潤滑、冷卻等。 所以這個過程的輸入是風，輸出是功率。 所以讓我們看一下，風與功率，這是風能行業的功率曲線。 所以在
	X軸，我們有風能，風速，在垂直軸上，我們有功率。 因此，它是用於分析風力渦輪機的典型功率曲線。 正如我們所見，這是一個複雜的系統。 所以以每秒四米的速度，
	系統開始工作。 之前，它處於空閒模式，等待風吹。 每秒四米，這是它可以運行的最小風速，
	如此緩慢地它會開始發電。 超過 12 時，它變得越來越強，所以他們必須減少從風中獲取的能量，這可以通過改變葉片、葉片角度來實現。
	超過每秒 25 米，操作設備將不安全，因此將其關閉。
	所以我們現在有一個現場演示，
	和
	我們將產生功率曲線。
	所以
	風速與功率。 所以我們可以從等高線中看到，高濃度是在怠速模式和較低的風速附近。 這就是系統中的風態。
	隨著風速的加快，它變得越來越強，產生更多的電力。 當它變得太強時，它就被關閉了。 我們可以看到直方圖。 如果你想知道如何製作它
	JMP，這將非常簡單。 當速度為 X 因子，功率為 Y 時，將它們分組
	渦輪機。
	所以回到演示文稿。
	現在我們開始分析數據。 首先是單變量分析，所以我們要分析主要參數，比如說，風速。
	他們將研究現有的文獻和現有的工程知識，如果有任何描述風的數學和統計模型。
	並且有一個，風分佈通常符合威布爾。 因此，我們將風與威布爾進行比較。 我們會看到它非常接近。
	但是，在不同的渦輪機之間有一些小的 ???差異，所以有一點機會，研究優化機會。
	所以渦輪機 9 與 6 不同，所以來自 6 和 9 的風是不同的，所以這可能是由於這些渦輪機之間的干擾和相互作用，這很好。 它發生在行業中。
	這是減少這種尾流的優化機會，也是業內眾所周知的話題。
	所以在單變量分析之後，我們去典型的數據科學
	預處理。缺少值，是否有零？ 零真的意味著零還是缺失值？ 所以我們處理這些；這不是本次演講的主題。 異常值，我們將稍微討論一下異常值。
	所以
	在我的項目中，我們刪除了任何物理上不可能的值。 因此，如果溫度……氣溫記錄為 100，您知道我們沒有 100 度，所以我們將其刪除。 但是我們不會根據自己的判斷更改其他數據，因此我們非常保留它們。
	和日期/時間收斂，所以我們做一些日期/時間轉換以適應 JMP 格式所以這些是非常標準的。 所以一種統一的方法，
	多元異常值分析是 Mahalanobis，它在 JMP 中得到了很好的支持，我們將對其進行研究。 所以基本上如果我們有四個參數，我們會產生一個輸出
	我們看看這個。 所以 Mahalanobis 和這些是異常值。 我們不會刪除這些異常值，但是，這些是我們將研究它們的焦點和注意力的中心。 所以對於現場演示，
	使用
	Graph Builder，我們可以輕鬆地將它們與 Mahalanobis 繪圖並檢查不同的渦輪機。
	因此，例如，我們在這裡有一個小尖峰。 它高於控制上限，因此是異常值。 所以我們檢查它，看看發生了什麼，你可以看到參數，它們是如何改變的。
	為了產生這個馬氏距離，我們可以使用 JMP 的多元特徵，
	生產
	根據異常值分析，Mahalanobis，然後將它們保存到數據中。
	所以回到演示文稿。
	所以在我們完成了預處理之後，
	我們將開始數據發現。 我們想看看數據告訴我們什麼，所以我提供了一些功率曲線的背景，以及流量是如何工作的。 所以讓我們把它形式化一點。
	一開始是空轉，所以等待更強的風。 所以有一些風。 我們開始。 旋轉速度增加，有更多的風。
	我們連接到電網，這意味著渦輪機連接到發電機。 發電機現在有足夠的速度，它連接到電網並發電。
	風速增加。 我們正在生產大量電力，但不是最高。 隨著風越來越大，我們達到了最高水平
	電力生產。 隨著風變得越來越強而且風太大，我們必須減少我們獲得的能量......我們從風中收穫，或者我們可能想要完全停止，因為它太強了。
	隨著情況穩定下來，風又變慢了，我們開始空轉。 所以這是一個循環；這是一個流程圖。 現在讓我們用數據來做。
	所以這裡是一個三維數據停車模式，我們在等待，空轉。 我們在等待，停車，我們不營業。
	轉子加快速度，產生最小的電力。 那是連接產生subrated
	並評級。 如果它變得太強，那麼他們會再次去這個停車場並關閉操作。 所以我們這裡有聚類
	並比較 AIC。 因此，如果我們有一個或兩個或三個集群，我們將比較集群......集群的結果，我們將選擇給出的集群數量
	最好的……我不能說最好的……最小的錯誤，而數字不是太高。 所以讓我們看看它是如何工作的。
	所以我們正在做聚類和聚類到 10 個。 我不想在演示文稿中花太長時間。 大約需要 10 到 15 秒。 所以我們在 Turbine 1 中找到了集群。
	所以
	每個簇基本上是濃度
	這樣，我們就會知道這個渦輪機是如何工作的。 所以我們有 AIC 與集群數量的關係。
	我會
	繪製圖表
	AIC 與集群數量。
	所以它並不像應有的那麼順利，因為我確實使用了許多迭代和工具，並且速度很快。 但是，對於生產和實際工作來說，需要更長的時間。
	所以，正如我們在 6、7、8 上看到的，集群的數量很多，而錯誤已經下降。 誤差會略微下降更多
	然而，如果我們繼續使用更多的集群，它會增加複雜性，如果我們增加太多，它可能會變得過擬合。
	所以
	現在
	我們繪製它們。
	所以這是渦輪 1，當我們繪製它們時，我們可以看到，有一些過渡，那是我們從大風到停車的時候，因為風太強了。
	所以回到演示文稿。
	現在，有多少簇是正確的數字？ 所以如果有一個集群，一切都是一組，好吧。 這不是我們關心的問題。
	如果有兩個集群，我們可以看到算法在這裡挑選了這個組。 我們稱之為空轉，只是等待。 或者三個集群，它是停車，轉子加快速度和操作，所以算法選擇這三個。
	如果我們研究六個、七個或八個，它們是最有意義的。 我為它挑選了六個，這對於這個演示文稿來說是一個很小的數字。 操作工程師可能會接更多，八或九個。
	所以一個現場演示，我們已經看到了這個。
	分層，K-均值和正常。 對於工業項目，我通常使用普通混合物。
	對於業務項目，分層會很有意義，因為它可以很好地分解邏輯。 K-mean 是計算密集型的，在大型數據集上會太耗時。
	因此，正態混合的假設是集群在正態分佈下是凸的，這意味著它們只有一個峰值。 事實就是如此。
	在......當我們有一個操作模式時，它通常在一個中心內的那個操作模式下操作，所以正常混合是安全的
	用於聚類的算法。
	現在，進入狀態監測。 我們做了所有的聚類，好吧。 我們在用他們做什麼？
	讓我們談談他們將在這裡監控的內容。
	隨著變速箱中的齒輪工作，變速箱中有一個接觸點。 由於磨損，這個接觸點可能會隨著時間而改變。 這就是我們想要找到的。 然而，
	如果腹線正在努力工作並且有很大的扭矩進入，那麼接觸點可能會與扭矩不那麼強時不同，並且
	風沒有那麼強。 這又意味著操作模式。 所以我們想在一種操作模式下比較這些接觸點，而不是當操作模式彼此差異太大時。 所以為此
	監控，我們可以使用簡單的線性回歸。
	所以做一個線性回歸
	基於不同的運營模式。 所以對於並網，
	R 平方為 99.6%。 我們可以看到這是一個很好的近似值。 這是一條很好的回歸線。
	99.993。這是一個很好的 R 平方，所以我們將使用這個。
	對於額定操作，
	我們沒有得到好的 R 平方，所以我們將排除它。 因此，實際上我們將針對這種操作模式進行整合，為我們想要進行的分析提供良好的 R 平方。 現在回到演示。
	這基本上是舊的線性回歸。 它發生在短短幾秒鐘內。 正如我們所見，有 521,000 條記錄，時間只有兩三秒，性能非常出色。
	所以這些是我們要選擇的操作模式。 讓我們再看一遍，以確認我們選擇了正確的值。
	用 X 擬合 Y，我們將繪製密度等值線。 所以我們希望在這裡看到的是通過密度中心的回歸線，這就是通過。 這是一個不錯的。
	它會錯過它，這就是我們選擇不使用的空轉。
	這是一條很好的回歸線。
	對於額定生產，它缺少密度點，所以我們不打算使用這個。
	這非常證實了我們對 R 平方的觀察。
	所以我們這樣做了。 接下來會發生什麼？
	我們繪製殘差。 渦輪機的殘留物。
	當殘差增加時，我們將分析殘差。 因此，讓我們進行現場演示。 這是有道理的。
	因此，我們繪製了所有五個渦輪機的殘差，僅針對選定的操作模式。 如此閒置和評級，我們將它們排除在外。 如果我們繪製其他的會發生什麼？ 對於空轉，一切都結束了，它沒有任何意義，沒有告訴我們任何事情。
	與額定產量相同。 它沒有說什麼，它沒有說太多。
	然而，與此一起，
	我們可以看到殘差在某些特定日期有所增加。 實際上，如果我們查看維修日誌，這是一次維修，那是另一次維修，我們在這裡看到了一個很好的逐漸增加。 那是又一次修理。
	渦輪 11，我們的變速箱沒有問題。 它從不...
	殘差從未增加。
	Turbine 6 進行了維修，所以這可能表明發生了一些問題，但它是什麼......
	在什麼水平......讓我們說在什麼水平的殘差是一個真正的問題。
	這是主觀的。 我們必須量化。 我們必須看看工程師需要採取什麼措施才能採取行動。 目前，這在工業界是一個非常開放的問題，一個開放的研究課題。 但是，它是用於
	幫助工程師。 所以回到
	我們的介紹。 因此，趨勢是用於監控，以及工程師將在什麼級別採取行動並實際干預和打開變速箱。 這是一個工程決策。 但是，從數據的角度來看，您正在幫助工程師做出決策。
	總之，一個複雜的過程有多種運行模式。 當我們想要監控時
	一個設備，我們必須知道我們要監控哪種操作模式。 每種操作模式都突出顯示了操作流程的一部分。
	聚類方法，我們可以用來隔離不同的操作模式。 狀態監測，使用操作模式來檢測退化，就像我們所做的那樣。 監控子組件
	考慮到物理定律，就像我們使用的比率一樣。 如果系統很複雜，我們不能用一個物理定律來描述它，那麼我們將使用其他方法，例如
	K-最近鄰或神經網絡。 非常感謝您的關注。

 

爆發質量和可靠性統計和建模