398697_zh-CN

liliconcom

工业分析：使用 JMP 对风力涡轮机进行状态监测和预防性维护 (2021-US-30MP-867)

级别：高级

 

Alan Rezazadeh，南阿尔伯塔理工学院分析研究科学家

 

对大型感官数据集的基于状态的监控 (CBM) 需要复杂的特定功能，以检测工业过程中长时间内的逐渐变化。 使用 SCADA（监督控制和数据采集）应用 CBM 是一种新兴的大数据分析实践，用于检测设备的逐渐退化并找到修复设备的最有效时间，这也是预防性维护学科的组成部分。

JMP 提供了一套丰富的统计和机器学习工具，可用于基于状态的风力涡轮机监控。 将湍流和不确定的风能转换为高度调节的电力的风力涡轮机是一个多变量过程，具有许多参数、子组件和相互作用，需要先进的分析能力来检测操作中的细微变化。 本文使用 JMP 构建风力涡轮机轴承温度预测模型。 在将预测值与实际值进行比较后，残差用于状态监测。 预测模型产生的残差在 JMP 过程控制方法中用于量化风力涡轮机的退化，以进行决策和监控。 它还包括高级统计工具的应用，例如 PCA、聚类、神经网络和非正态分布，用于风电场内的数据挖掘和过程控制。

 

 

自动生成的成绩单...

 

扬声器	成绩单
艾伦·雷扎扎德	大家好，感谢您参加本次演讲。 我叫 Alan Rezazadeh，在南阿尔伯塔理工学院工作。 我的立场是
	研究分析科学家。 我们将讨论工业分析，并作为一个例子，更多地关注风力涡轮机和风力涡轮机的状态监测。
	致谢。
	CFREF，加拿大第一研究优秀基金，感谢您允许我参加本次会议。
	来自西班牙的 EDP 可再生能源风电场，感谢您分享运营数据，这些数据可免费用于研究和教育。 最重要的是，JMP 构建了这款出色的统计发现软件。
	议程。 我们将讨论工业分析的范围，工业分析中包含的内容
	以及我们如何将工业设备视为一个过程；准备和理解数据；以及定义子组件，如何在定义子组件时找到目标；最后将监控退化和性能，这称为基于条件的监控。
	因此，在工业分析的范围内，我们包含了很多东西。 所以我们有大量的时间序列数据来自传感器，即物联网。
	我们想做流程优化、知识发现、决策。 基本上，我们想要减少污染，我们想要增加输出良好的输出，例如来自风力涡轮机或太阳能电池板的电力，或者我们想要监控工业设备的健康或状况。
	所以第一个想法是复杂的机械，比如燃气涡轮喷气发动机基本上是一个过程。 有输入，就有输出。 在这种情况下，燃气轮机的输入是空气和燃料；输出是电力和废气，某种烟雾和气体。 所以我们会打破这个
	压缩机、燃烧室和发电机。 这是最简单的情况。 所以现在我们有了一个流程和子组件。 因此，从现在开始，我可以将术语过程和设备与它们一起互换。
	那么我们在分解这个过程方面走了多远呢？ 所以我们想把它分解成更小的更简单的子组件，我们实际上可以用数学物理公式来描述它，比如空气动力学或热力学等等。
	亚里士多德，第一原理，从它可以知道一件事。 所以我们正在分解成更小的组件。
	这是喷气发动机或燃气轮机的故障周期。 所以我们可以看到，随着时间的推移，如果我们称之为，将会有一些变化，一些修改，一些退化。
	这也不仅仅是因为磨损。 这可能是由于运营变化，因此气温会发生变化，电网的电力需求也会发生变化。
	因此，设备的运行模式将发生变化。 所以现在我们想要区分操作模式和退化，这意味着我们必须首先知道什么是操作模式。
	让我们说一个
	风力涡轮机，我们有转子，
	低速轴，我们有变速箱，发电机和变压器。
	这是一个复杂的系统；我们将其分解为更小的子组件。
	液压，
	润滑、冷却等。 所以这个过程的输入是风，输出是功率。 所以让我们看一下，风与功率，这是风能行业的功率曲线。 所以在
	X轴，我们有风能，风速，在垂直轴上，我们有功率。 因此，它是用于分析风力涡轮机的典型功率曲线。 正如我们所见，这是一个复杂的系统。 所以以每秒四米的速度，
	系统开始工作。 之前，它处于空闲模式，等待风吹。 每秒四米，这是它可以运行的最小风速，
	如此缓慢地它会开始发电。 超过 12 时，它变得越来越强，所以他们必须减少从风中获取的能量，这可以通过改变叶片、叶片角度来实现。
	超过每秒 25 米，操作设备将不安全，因此将其关闭。
	所以我们现在有一个现场演示，
	和
	我们将产生功率曲线。
	所以
	风速与功率。 所以我们可以从等高线中看到，高浓度是在怠速模式和较低的风速附近。 这就是系统中的风态。
	随着风速的加快，它变得越来越强，产生更多的电力。 当它变得太强时，它就被关闭了。 我们可以看到直方图。 如果你想知道如何制作它
	JMP，这将非常简单。 当速度为 X 因子，功率为 Y 时，将它们分组
	涡轮机。
	所以回到演示文稿。
	现在我们开始分析数据。 首先是单变量分析，所以我们要分析主要参数，比如说，风速。
	他们将研究现有的文献和现有的工程知识，如果有任何描述风的数学和统计模型。
	并且有一个，风分布通常符合威布尔。 因此，我们将风与威布尔进行比较。 我们会看到它非常接近。
	但是，在不同的涡轮机之间有一些小的 ???差异，所以有一点机会，研究优化机会。
	所以涡轮机 9 与 6 不同，所以来自 6 和 9 的风是不同的，所以这可能是由于这些涡轮机之间的干扰和相互作用，这很好。 它发生在行业中。
	这是减少这种尾流的优化机会，也是业内众所周知的话题。
	所以在单变量分析之后，我们去典型的数据科学
	预处理。缺少值，是否有零？ 零真的意味着零还是缺失值？ 所以我们处理这些；这不是本次演讲的主题。 异常值，我们将稍微讨论一下异常值。
	所以
	在我的项目中，我们删除了任何物理上不可能的值。 因此，如果温度……气温记录为 100，您知道我们没有 100 度，所以我们将其删除。 但是我们不会根据自己的判断更改其他数据，因此我们非常保留它们。
	和日期/时间收敛，所以我们做一些日期/时间转换以适应 JMP 格式所以这些是非常标准的。 所以一种统一的方法，
	多元异常值分析是 Mahalanobis，它在 JMP 中得到了很好的支持，我们将对其进行研究。 所以基本上如果我们有四个参数，我们会产生一个输出
	我们看看这个。 所以 Mahalanobis 和这些是异常值。 我们不会删除这些异常值，但是，这些是我们将研究它们的焦点和注意力的中心。 所以对于现场演示，
	使用
	Graph Builder，我们可以轻松地将它们与 Mahalanobis 绘图并检查不同的涡轮机。
	因此，例如，我们在这里有一个小尖峰。 它高于控制上限，因此是异常值。 所以我们检查它，看看发生了什么，你可以看到参数，它们是如何改变的。
	为了产生这个马氏距离，我们可以使用 JMP 的多元特征，
	生产
	根据异常值分析，Mahalanobis，然后将它们保存到数据中。
	所以回到演示文稿。
	所以在我们完成了预处理之后，
	我们将开始数据发现。 我们想看看数据告诉我们什么，所以我提供了一些功率曲线的背景，以及流量是如何工作的。 所以让我们把它形式化一点。
	一开始是空转，所以等待更强的风。 所以有一些风。 我们开始。 旋转速度增加，有更多的风。
	我们连接到电网，这意味着涡轮机连接到发电机。 发电机现在有足够的速度，它连接到电网并发电。
	风速增加。 我们正在生产大量电力，但不是最高。 随着风越来越大，我们达到了最高水平
	电力生产。 随着风变得越来越强而且风太大，我们必须减少我们获得的能量......我们从风中收获，或者我们可能想要完全停止，因为它太强了。
	随着情况稳定下来，风又变慢了，我们开始空转。 所以这是一个循环；这是一个流程图。 现在让我们用数据来做。
	所以这里是一个三维数据停车模式，我们在等待，空转。 我们在等待，停车，我们不营业。
	转子加快速度，产生最小的电力。 那是连接产生subrated
	并评级。 如果它变得太强，那么他们会再次去这个停车场并关闭操作。 所以我们这里有聚类
	并比较 AIC。 因此，如果我们有一个或两个或三个集群，我们将比较集群......集群的结果，我们将选择给出的集群数量
	最好的……我不能说最好的……最小的错误，而数字不是太高。 所以让我们看看它是如何工作的。
	所以我们正在做聚类和聚类到 10 个。 我不想在演示文稿中花太长时间。 大约需要 10 到 15 秒。 所以我们在 Turbine 1 中找到了集群。
	所以
	每个簇基本上是浓度
	这样，我们就会知道这个涡轮机是如何工作的。 所以我们有 AIC 与集群数量的关系。
	我会
	绘制图表
	AIC 与集群数量。
	所以它并不像应有的那么顺利，因为我确实使用了许多迭代和工具，并且速度很快。 但是，对于生产和实际工作来说，需要更长的时间。
	因此，正如我们在 6、7、8 上看到的那样，集群的数量很多，而误差已经下降。 误差会略微下降更多
	然而，如果我们继续使用更多的集群，它会增加复杂性，如果我们增加太多，它可能会变得过拟合。
	所以
	现在
	我们绘制它们。
	所以这是涡轮 1，当我们绘制它们时，我们可以看到，有一些过渡，那是我们从大风到停车的时候，因为风太强了。
	所以回到演示文稿。
	现在，有多少簇是正确的数字？ 所以如果有一个集群，一切都是一组，好吧。 这不是我们关心的问题。
	如果有两个集群，我们可以看到算法正在这里挑选这个组。 我们称之为空转，只是等待。 或者三个集群，它是停车，转子加快速度和操作，所以算法选择这三个。
	如果我们研究六个、七个或八个，它们是最有意义的。 我为它挑选了六个，这对于这个演示文稿来说是一个很小的数字。 操作工程师可能会接更多，八或九个。
	所以一个现场演示，我们已经看到了这个。
	分层，K-均值和正常。 对于工业项目，我通常使用普通混合物。
	对于业务项目，分层会很有意义，因为它可以很好地分解逻辑。 K-mean 是计算密集型的，在大型数据集上会太耗时。
	因此，正态混合的假设是集群在正态分布下是凸的，这意味着它们只有一个峰值。 事实就是如此。
	在......当我们有一个操作模式时，它通常在一个中心内的那个操作模式下操作，所以正常混合是安全的
	用于聚类的算法。
	现在，进入状态监测。 我们做了所有的聚类，好吧。 我们在用他们做什么？
	让我们谈谈他们将在这里监控的内容。
	随着变速箱中的齿轮工作，变速箱中有一个接触点。 由于磨损，这个接触点可能会随着时间而改变。 这就是我们想要找到的。 然而，
	如果腹线正在努力工作并且有很大的扭矩进入，那么接触点可能会与扭矩不那么强时不同，并且
	风没有那么强。 这又意味着操作模式。 所以我们想在一种操作模式下比较这些接触点，而不是当操作模式彼此差异太大时。 所以为此
	监控，我们可以使用简单的线性回归。
	所以做一个线性回归
	基于不同的运营模式。 所以对于并网，
	R 平方为 99.6%。 我们可以看到这是一个很好的近似值。 这是一条很好的回归线。
	99.993。这是一个很好的 R 平方，所以我们将使用这个。
	对于额定操作，
	我们没有得到好的 R 平方，所以我们将排除它。 因此，实际上我们将针对这种操作模式进行整合，为我们想要进行的分析提供良好的 R 平方。 现在回到演示。
	这基本上是旧的线性回归。 它发生在短短几秒钟内。 正如我们所见，有 521,000 条记录，时间只有两三秒，性能非常出色。
	所以这些是我们要选择的操作模式。 让我们再看一遍，以确认我们选择了正确的值。
	用 X 拟合 Y，我们将绘制密度等值线。 所以我们希望在这里看到的是通过密度中心的回归线，这就是通过。 这是一个不错的。
	它会错过它，这就是我们选择不使用的空转。
	这是一条很好的回归线。
	对于额定生产，它缺少密度点，所以我们不打算使用这个。
	这非常证实了我们对 R 平方的观察。
	所以我们这样做了。 接下来会发生什么？
	我们绘制残差。 涡轮机的残留物。
	当残差增加时，我们将分析残差。 因此，让我们进行现场演示。 这是有道理的。
	因此，我们绘制了所有五个涡轮机的残差，仅针对选定的操作模式。 如此闲置和评级，我们将它们排除在外。 如果我们绘制其他的会发生什么？ 对于空转，一切都结束了，它没有任何意义，没有告诉我们任何事情。
	与额定产量相同。 它没有说什么，它没有说太多。
	然而，与此一起，
	我们可以看到残差在某些特定日期有所增加。 实际上，如果我们查看维修日志，这是一次维修，那是另一次维修，我们在这里看到了一个很好的逐渐增加。 那是又一次修理。
	涡轮 11，我们的变速箱没有问题。 它从不...
	残差从未增加。
	Turbine 6 进行了维修，所以这可能表明发生了一些问题，但它是什么......
	在什么水平......让我们说在什么水平的残差是一个真正的问题。
	这是主观的。 我们必须量化。 我们必须看看工程师需要采取什么措施才能采取行动。 目前，这在工业界是一个非常开放的问题，一个开放的研究课题。 但是，它是用于
	帮助工程师。 所以回到
	我们的介绍。 因此，趋势是用于监控，以及工程师将在什么级别采取行动并实际干预和打开变速箱。 这是一个工程决策。 但是，从数据的角度来看，您正在帮助工程师做出决策。
	总之，一个复杂的过程有多种运行模式。 当我们想要监控时
	一个设备，我们必须知道我们要监控哪种操作模式。 每种操作模式都突出显示了操作流程的一部分。
	聚类方法，我们可以用来隔离不同的操作模式。 状态监测，使用操作模式来检测退化，就像我们所做的那样。 监控子组件
	考虑到物理定律，就像我们使用的比率一样。 如果系统很复杂，我们不能用一个物理定律来描述它，那么我们将使用其他方法，例如
	K-最近邻或神经网络。 非常感谢您的关注。

 

爆发质量和可靠性统计和建模