Lautsprecher | Abschrift |
| Alan Rezazadeh | Hallo zusammen, vielen Dank, dass Sie an dieser Präsentation teilnehmen. Mein Name ist Alan Rezazadeh, ich arbeite am Southern Alberta Institute of Technology. Meine Position ist |
| ein forschender Analytiker. Wir werden über industrielle Analytik sprechen und uns als Beispiel mehr auf Windkraftanlagen und die Zustandsüberwachung von Windkraftanlagen konzentrieren. |
| Danksagungen. |
| CFREF, Canada First Research Excellent Fund, danke, dass ich an dieser Konferenz teilnehmen durfte. |
| EDP Renewable Energy Wind Farm aus Spanien, vielen Dank für die Weitergabe von Betriebsdaten, die für Forschung und Bildung frei verfügbar sind. Und vor allem JMP für den Aufbau dieser fantastischen Statistik-Discovery-Software. |
| Agenda. Wir werden über den Umfang der industriellen Analytik sprechen, was in der industriellen Analytik enthalten ist |
| und wie wir Industrieanlagen als Prozess betrachten würden; Daten aufbereiten und verstehen; und Definieren von Unterkomponenten, wie das Ziel beim Definieren von Unterkomponenten gefunden wird; und am Ende werden Verschlechterung und Leistung überwacht, was als zustandsbasierte Überwachung bezeichnet wird. |
| Also ein Umfang der industriellen Analytik, wir haben so ziemlich alles dabei. Wir haben also große Zeitreihen von Daten, die von Sensoren eingehen, was IoT ist. |
| Und wir wollen Prozessoptimierung, Wissensentdeckung und Entscheidungsfindung betreiben. Grundsätzlich wollen wir die Umweltverschmutzung reduzieren, wir wollen den Output von guten Outputs erhöhen, wie z. B. Strom von Windkraftanlagen oder von Sonnenkollektoren, oder wir wollen den Zustand oder Zustand von Industrieanlagen überwachen. |
| Die erste Idee ist also eine komplexe Maschinerie, wie beispielsweise ein Gasturbinenstrahltriebwerk, das im Grunde ein Prozess ist. Es gibt Input, es gibt Output. Der Input, in diesem Fall eine Gasturbine, besteht aus Luft und Brennstoff; Die Ausgabe ist Strom und Abgase, irgendeine Art von Dämpfen und Gasen. Also würden wir das brechen |
| ein Kompressor, eine Verbrennungskammer und ein Stromgenerator. Es ist der einfachste Fall. Jetzt haben wir also einen Prozess und Unterkomponenten. Von nun an kann ich den Begriff Prozess und Ausrüstung austauschbar mit ihnen zusammen ändern. |
| Wie weit gehen wir also bei der Aufschlüsselung des Prozesses? Wir wollen es also in kleinere, einfachere Unterkomponenten zerlegen, die wir tatsächlich durch eine mathematisch-physikalische Formel beschreiben können, wie Aerodynamik oder Thermodynamik und so weiter. |
| Also erste Prinzipien, aus denen eine Sache bekannt ist, Aristoteles. Wir zerlegen also in kleinere Komponenten. |
| Und das ist ein Pannenzyklus für Strahltriebwerke oder auch für Gasturbinen. Wie wir also sehen können, wird es im Laufe der Zeit einige Änderungen, einige Modifikationen, einige Verschlechterungen geben, wenn wir es so nennen. |
| Auch liegt es nicht nur an der Abnutzung. Dies könnte auf Betriebsänderungen zurückzuführen sein, also würde sich die Lufttemperatur ändern, der Strombedarf aus dem Netz würde sich ändern. |
| Als Ergebnis ändert sich der Betriebsmodus des Geräts. Jetzt wollen wir also zwischen Betriebsmodi und Degradation unterscheiden, das heißt, wir müssen zuerst wissen, was Betriebsmodus ist. |
| Sagen wir für a |
| Windturbine, wir haben Rotor, |
| langsamlaufende Welle, wir haben Getriebe, Generator und einen Transformator. |
| Es ist ein komplexes System; Wir zerlegen es in kleinere Unterkomponenten. |
| Hydraulik, |
| Schmierung, Kühlung und so weiter. Der Input für den Prozess ist also Wind, der Output ist Strom. Mal sehen, Wind versus Leistung, das ist die Leistungskurve in der Windenergiebranche. Also auf der |
| Auf der X-Achse haben wir eine Windenergie, die Windgeschwindigkeit, und auf der vertikalen Achse haben wir die Leistung. Es handelt sich also um eine typische Leistungskurve, die zur Analyse von Windkraftanlagen verwendet wird. Wie wir sehen können, ist es ein komplexes System. Also bei vier Metern pro Sekunde, |
| das System beginnt zu arbeiten. Vorher befindet es sich im Leerlauf und wartet darauf, dass der Wind weht. Bei vier Metern pro Sekunde ist es die minimale Windgeschwindigkeit, die es betreiben kann, |
| so langsam wird es anfangen, Strom zu produzieren. Oberhalb von 12 wird es stark, also müssen sie die Menge an Energie reduzieren, die sie aus dem Wind gewinnen, und das wird durch Ändern der Blattwinkel und Blattwinkel erreicht. |
| Über 25 Metern pro Sekunde ist der Betrieb des Geräts unsicher, sodass es abgeschaltet wird. |
| Also haben wir jetzt eine Live-Demo, |
| und |
| Wir werden die Leistungskurve erstellen. |
| So |
| Windgeschwindigkeit versus Leistung. Wie wir anhand der Kontur sehen können, liegt die hohe Konzentration im Leerlauf und bei niedriger Windgeschwindigkeit. Das ist also das Windregime im System. |
| Und wenn die Windgeschwindigkeit zunimmt, wird sie stärker, es wird mehr Strom produziert. Wenn es zu stark wird, wird es abgeschaltet. Wir können die Histogramme sehen. Wenn Sie wissen wollen, wie man es macht |
| JMP, es wäre ganz einfach. Wenn die Geschwindigkeit als X-Faktor und die Leistung für Y gilt, gruppieren Sie sie nach |
| Turbinen. |
| Also zurück zur Präsentation. |
| Jetzt fangen wir an, die Daten zu analysieren. Zuerst ist die univariate Analyse, also würden wir die Hauptparameter analysieren, was, sagen wir, die Windgeschwindigkeit ist. |
| Sie würden die vorhandene Literatur und das vorhandene Ingenieurwissen recherchieren, ob es ein mathematisches und statistisches Modell gibt, das den Wind beschreibt. |
| Und es gibt eine, und die Windverteilung entspricht normalerweise Weibull. Dann würden wir den Wind mit dem Weibull vergleichen. Wir würden sehen, dass es sehr nah ist. |
| Zwischen verschiedenen Turbinen gibt es jedoch einige kleinere ??? Unterschiede, also gibt es eine kleine Gelegenheit, Gelegenheit zur Optimierung der Forschung. |
| Turbine 9 ist also anders als 6, also sind die Winde von 6 und 9 unterschiedlich, also könnte es an Interferenzen liegen, Wechselwirkungen zwischen diesen Turbinen, was in Ordnung ist. Es passiert in der Industrie. |
| Und es ist eine Optimierungsmöglichkeit, um diesen Nachlauf zu reduzieren, und es ist ein großes, bekanntes Thema in der Branche. |
| Nach der univariaten Analyse gehen wir also zur typischen Datenwissenschaft über |
| Vorverarbeitung. Fehlende Werte, gibt es Nullen? Bedeuten die Nullen wirklich Null oder sind es fehlende Werte? Also handhaben wir diese; es ist kein Thema dieses Vortrags. Ausreißer, wir werden ein wenig über Ausreißer sprechen. |
| So |
| In meinen Projekten entfernen wir jeden Wert, der physikalisch nicht möglich ist. Wenn also die Temperatur ... Lufttemperatur 100 beträgt, wissen Sie, dass wir keine 100 Grad haben, also entfernen wir sie. Aber wir würden die anderen Daten nach unserem eigenen Ermessen nicht ändern, also behalten wir sie sehr. |
| Und Datum/Uhrzeit-Konvergenz, also führen wir einige Datums-/Uhrzeit-Konvertierungen durch, um sie in das JMP-Format einzupassen. Das ist also ein Standard. Also eine Methode der Univeration, |
| Die multivariate Ausreißeranalyse ist Mahalanobis und wird von JMP gut unterstützt, und wir werden uns das ansehen. Wenn wir also vier Parameter haben, erzeugen wir im Grunde eine Ausgabe |
| und wir schauen uns diesen an. Also Mahalanobis und das sind die Ausreißer. Wir werden diese Ausreißer nicht entfernen, aber dies sind die Schwerpunkte und Aufmerksamkeit, die wir untersuchen würden. Also für die Live-Demo, |
| verwenden |
| Graph Builder können wir sie leicht gegen die Mahalanobis darstellen und verschiedene Turbinen überprüfen. |
| So haben wir hier zum Beispiel eine kleine Spitze. Es liegt über den oberen Kontrollgrenzen, also ist es ein Ausreißer. Also schauen wir hinein, um zu sehen, was passiert ist, und Sie können die Parameter sehen, wie sie geändert wurden. |
| Um diese Mahalanobis-Distanz zu erzeugen, können wir die multivariaten Funktionen von JMP verwenden, |
| produzieren |
| B. unter Ausreißeranalyse, Mahalanobis, und speichern sie dann in den Daten. |
| Also zurück zur Präsentation. |
| Nachdem wir also die Vorverarbeitung abgeschlossen haben, |
| Wir würden mit der Datenermittlung beginnen. Wir wollen sehen, was uns die Daten sagen, also habe ich einen kleinen Hintergrund der Leistungskurve gegeben, wie der Fluss funktionierte. Also lasst es uns ein wenig formalisieren. |
| Am Anfang ist Leerlauf, also Warten auf stärkeren Wind. Es gibt also etwas Wind. Wir starten. Drehgeschwindigkeit steigt, es gibt mehr Wind. |
| Wir verbinden uns mit dem Netz, das heißt, die Turbine ist mit dem Generator verbunden. Der Generator hat jetzt genug Drehzahl und wird ans Netz angeschlossen und produziert Strom. |
| Die Windgeschwindigkeit nimmt zu. Wir produzieren eine gute Menge an Strom, aber es ist nicht das Maximum. Wenn der Wind stärker wird, erreichen wir das maximale Niveau |
| Stromerzeugung. Wenn der Wind immer stärker und zu stark wird, müssen wir die Energie reduzieren, die wir bekommen ... wir ernten vom Wind, oder wir möchten vielleicht ganz aufhören, weil er zu stark ist. |
| Als sich die Bedingungen beruhigen, der Wind wieder langsam wird, gehen wir in den Leerlauf. Es ist also eine Schleife; Es ist ein Flussdiagramm. Jetzt machen wir es mit den Daten. |
| Hier ist also ein dreidimensionaler Datenparkmodus, wir warten, im Leerlauf. Wir warten, parken, wir arbeiten nicht. |
| Der Rotor nimmt die Geschwindigkeit auf und produziert minimal Strom. Das ist das Herstellen von subrated verbinden |
| und bewertet. Und wenn es zu stark wird, dann würden sie wieder zu diesem Parkplatz gehen und den Betrieb abstellen. Was wir hier also haben, ist Clustering |
| und Vergleichen von AICs. Wenn wir also einen Cluster oder zwei oder drei haben, würden wir den Cluster vergleichen ... die Ergebnisse der Clusterbildung und wir würden die Anzahl der Cluster ermitteln, die die ergeben |
| am besten ... ich kann nicht sagen, am besten ... der minimale Fehler, während die Anzahl nicht zu hoch ist. Sehen wir es uns also in Aktion an, wie es funktionieren würde. |
| Also machen wir Clustering und Clustering bis zu 10. Ich wollte es mit der Präsentation nicht zu lange dauern lassen. Es dauert etwa 10 bis 15 Sekunden. Wir finden also die Cluster innerhalb von Turbine 1. |
| So |
| Jeder Cluster ist im Grunde die Konzentration von |
| Betriebsmodi, dann wüssten wir, wie diese Turbine funktioniert. Wir haben also den AIC im Vergleich zur Anzahl der Cluster. |
| Ich würde |
| Zeichnen Sie den Graphen |
| AIC versus Anzahl der Cluster. |
| Es ist also nicht so reibungslos, wie es sollte, weil ich eine Reihe von Iterationen und Tools verwendet und es schnell gemacht habe. Für die Produktion und die eigentliche Arbeit würde es jedoch länger dauern. |
| Wie wir also auf 6, 7, 8 sehen können, ist es eine gute Anzahl von Clustern, während der Fehler gesunken ist. Der Fehler wird geringfügig mehr sinken |
| Wenn wir jedoch mit mehr Clustern fortfahren, würde dies die Komplexität erhöhen, und wenn wir es zu stark erhöhen, könnte es zu einer Überanpassung werden. |
| So |
| jetzt |
| wir plotten sie. |
| Das ist also für Turbine 1, und während wir sie zeichnen, können wir sehen, dass es einige Übergänge gibt, und das ist, wenn wir von starkem Wind auf Parken gehen, weil der Wind zu stark ist. |
| Also zurück zur Präsentation. |
| Nun, wie viele Cluster sind die richtige Zahl? Wenn es also einen Cluster gibt, ist alles eine Gruppe, okay. Es geht uns nichts an. |
| Wenn es zwei Cluster gibt, können wir sehen, dass der Algorithmus diese Gruppe hier aufgreift. Wir nennen das Leerlauf, einfach nur warten. Oder drei Cluster, es parkt, der Rotor nimmt Geschwindigkeit und Betrieb auf, also nimmt der Algorithmus diese drei auf. |
| Wenn wir uns sechs, sieben oder acht ansehen, machen sie am meisten Sinn. Ich habe sechs dafür genommen, es ist eine kleine Zahl für diese Präsentation. Ein Ingenieur des Betriebs kann mehr, acht oder neun von ihnen aufnehmen. |
| Also eine Live-Demo, und wir haben diese bereits gesehen. |
| hierarchisch, K-Mittelwert und normal. Für industrielle Projekte verwende ich normalerweise normale Mischungen. |
| Für Geschäftsprojekte wäre hierarchisch durchaus sinnvoll, da es die Logik gut aufschlüsselt. K-Mean ist rechenintensiv und bei großen Datensätzen zu zeitaufwändig. |
| Die Annahme bei normaler Mischung ist also, dass die Cluster bei normaler Verteilung konvex sind, was bedeutet, dass sie nur einen Peak haben. Und es ist sehr viel der Fall. |
| In der ... wenn wir einen Betriebsmodus haben, arbeitet es normalerweise innerhalb dieses Betriebsmodus innerhalb eines Zentrums, also ist eine normale Mischung sicher |
| Algorithmus, der für das Clustering verwendet werden soll. |
| Kommen wir nun zur Zustandsüberwachung. Wir haben das ganze Clustering gemacht, okay. Was machen wir mit ihnen? |
| Lassen Sie uns darüber sprechen, was sie hier überwachen werden. |
| Da die Zahnräder im Getriebe arbeiten, gibt es im Getriebe einen Berührungspunkt. Aufgrund von Verschleiß kann sich dieser Berührungspunkt im Laufe der Zeit verschieben. Das wollen wir finden. Jedoch, |
| Wenn die ventrale Linie hart arbeitet und so viel Drehmoment darin ist, kann der Berührungspunkt anders sein, als wenn das Drehmoment nicht so stark ist und |
| der Wind ist nicht so stark. Das bedeutet also wieder Betriebsmodus. Daher möchten wir diese Berührungspunkte innerhalb eines Betriebsmodus vergleichen, nicht wenn die Betriebsmodi zu unterschiedlich sind. Also dafür |
| Überwachung können wir eine einfache lineare Regression verwenden. |
| Also eine lineare Regression |
| basierend auf verschiedenen Betriebsmodi. Also für den Netzanschluss, |
| R zum Quadrat ist 99,6 %. Wir können sehen, dass es eine gute Annäherung ist. Es ist eine schöne Regressionsgerade. |
| 99.993. Es ist ein gutes R zum Quadrat, also verwenden wir dieses. |
| Für Nennbetrieb, |
| Wir haben kein gutes R zum Quadrat bekommen, also werden wir es ausschließen. Praktisch werden wir also für diesen Betriebsmodus zusammenstellen, die uns ein gutes R-Quadrat für die Analyse geben, die wir durchführen möchten. Jetzt zurück zur Demo. |
| Dies ist im Grunde die alte lineare Regression. Es geschah innerhalb weniger Sekunden. Wie wir sehen können, gibt es 521.000 Datensätze und es waren nur zwei bis drei Sekunden, also eine hervorragende Leistung. |
| Dies sind also die Betriebsmodi, die wir auswählen werden. Lassen Sie uns noch einmal einen Blick darauf werfen, um nur zu bestätigen, dass wir die richtigen Werte auswählen. |
| Anpassen von Y nach X würden wir die Dichtekonturen darstellen. Was wir hier also gerne sehen, ist die Regressionslinie, die durch die Zentren der Dichte verläuft, und dies passiert. Es ist schön. |
| Es wird es vermissen, und das ist der Leerlauf, den wir nicht verwenden möchten. |
| Es ist eine schöne Regressionsgerade. |
| Für die bewertete Produktion fehlen die Dichtepunkte, daher werden wir diesen nicht verwenden. |
| Es hat die Beobachtung, die wir mit R zum Quadrat gemacht hatten, sehr bestätigt. |
| Also haben wir das gemacht. Was kommt als nächstes? |
| Wir zeichnen die Residuen. Reste von Turbinen. |
| Und wir würden die Residuen analysieren, wenn die Residuen zunehmen. Also lassen Sie uns eine Live-Demo haben. Das würde Sinn machen. |
| Wir zeichnen also die Residuen für alle fünf Turbinen, nur für die ausgewählten Betriebsmodi. So leerlaufend und bewertet schließen wir sie aus. Was passiert, wenn wir die anderen plotten? Für Leerlauf ist alles vorbei, es bedeutet nichts, sagt uns nichts. |
| Dasselbe gilt für die bewertete Produktion. Es sagt nichts, es sagt nicht viel. |
| Jedoch mit diesem zusammen, |
| Wir können sehen, dass die Residuen an einigen bestimmten Daten gestiegen sind. Und tatsächlich, wenn wir uns das Protokoll der Reparaturen ansehen, war dies eine Reparatur, das war eine andere Reparatur, und wir sehen hier eine schöne allmähliche Zunahme. Das war eine weitere Reparatur. |
| Turbine 11, wir hatten keine Probleme mit dem Getriebe. Es nie ... das |
| Residuen nie erhöht. |
| Und es gab Reparaturen an Turbine 6, also kann dies einige Probleme zeigen, die passiert sind, aber was war es ... |
| auf welcher Ebene ... sagen wir mal, auf welcher Ebene der Residuen ein echtes Problem ist. |
| Es ist subjektiv. Wir müssen quantifizieren. Wir müssen uns ansehen, welches Restniveau ein Ingenieur benötigt, um einige Maßnahmen zu ergreifen. Und im Moment ist es in der Industrie eine offene Frage, ein offenes Thema für die Forschung. Es ist jedoch ein Werkzeug, das für verwendet wird |
| Ingenieuren helfen. Also zurück zu |
| unsere Präsentation. Die Trends dienen also der Überwachung und auf welcher Ebene ein Ingenieur Maßnahmen ergreifen und tatsächlich eingreifen und das Getriebe öffnen würde. Das ist eine technische Entscheidung. Aus Datensicht helfen Sie jedoch den Ingenieuren, Entscheidungen zu treffen. |
| Zusammenfassend lässt sich sagen, dass ein komplexer Prozess mehrere Betriebsmodi hat. Wenn wir überwachen wollen |
| B. ein Gerät, müssen wir wissen, welchen Betriebsmodus wir überwachen werden. Jeder Betriebsmodus hebt einen Teil der Betriebsprozesse hervor. |
| Clustering-Methoden können wir zur Isolierung der verschiedenen Betriebsmodi verwenden. Zustandsüberwachung mit Betriebsmodi zur Erkennung von Degradation, wie wir es getan haben. Unterkomponenten überwachen |
| unter Berücksichtigung des physikalischen Gesetzes, wie wir es für das Verhältnis verwenden. Und wenn das System komplex ist und wir es nicht mit einem physikalischen Gesetz beschreiben können, dann würden wir andere Methoden verwenden, wie z |
| K-nächster Nachbar oder das neuronale Netzwerk. Und es steht ganz am Ende einer Präsentation, und ich danke Ihnen für Ihre Aufmerksamkeit. |
