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。 我們將以工業分析為例，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，感謝您允許我參加這次會議。 |
| 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 構建了這個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；定義子組件，如何找到定義子組件的目標；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，我們幾乎涵蓋了所有內容。 所以我們有來自傳感器的大量時間序列數據，這就是物聯網。 |
| 我們想要進行流程優化、知識發現和決策制定。 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。 |
| 所以第一個想法是一個複雜的機械，比如燃氣輪機噴氣發動機基本上就是一個過程。 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。 所以現在我們有一個流程和子組件。 所以從現在開始，我可能會把工藝和設備這個詞和他們一起互換。 |
| 那麼我們在分解過程中走了多遠？ 所以我們想把它分解成更小更簡單的子組件，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，從中得知事物的第一原則。 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循環。 所以正如我們所看到的，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。 所以現在我們要區分操作模式和降級，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，我們有齒輪箱、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。 |
| 水力學， |
| 潤滑、冷卻等。 所以過程的輸入是風，輸出是功率。 那麼讓我們看看，風能與電力，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，這是用於風力渦輪機分析的典型功率曲線。 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，等待風吹過。 每秒四米，這是它可以運行的最小風速， |
| 如此緩慢，它將開始發電。 超過 12 級時，風力越來越強，因此他們必須減少從風中獲取的能量，這可以通過改變葉片和葉片的角度來實現。 |
| 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 |
| 我們將製作功率曲線。 |
| 所以 |
| 風速與功率。 因此，正如我們從輪廓圖上看到的那樣，高度集中在怠速模式和較低的風速附近。 所以這就是系統中的風態。 |
| 而且隨著風速加快，風力越來越大，產生的電能也越來越多。 當它變得太強時，它就會被關閉。 我們可以看到直方圖。 如果你想知道如何製作它 |
| JMP，這會很簡單。 當速度作為 X 因子和功率作為 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。 |
| 他們會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 Weibull。 因此，我們會將風與 Weibull 進行比較。 我們會看到它非常接近。 |
| 然而，不同的渦輪機之間存在一些小的 ???差異，所以有一點機會，研究優化機會。 |
| 所以渦輪機 9 不同於渦輪機 6，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大話題。 |
| 所以在單變量分析之後，我們進入典型的數據科學 |
| 預處理。缺失值，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。 離群值，我們將稍微討論一下離群值。 |
| 所以 |
| 在我的項目中，我們刪除了任何物理上不可能的值。 所以如果溫度...氣溫記錄為 100，你知道我們沒有 100 度，所以我們將其刪除。 但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，所以我們做了一些日期/時間轉換以適應 JMP 格式所以這些都是非常標準的。 所以一種大學化的方法， |
| 多元離群值分析是 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重點和注意力中心。 所以對於現場演示， |
| 使用 |
| Graph Builder，我們可以輕鬆地將它們與 Mahalanobis 對比並檢查不同的渦輪機。 |
| 因此，例如，我們這裡有一個小尖峰。 它高於控制上限，因此它是異常值。 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 |
| 在異常值分析下，馬氏，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，所以我給出了功率曲線的一些背景，說明流量是如何工作的。 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。 所以有風。 我們開始。 轉速增加，風就大了。 |
| 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，它連接到電網並產生電力。 |
| 風速增加。 我們正在生產大量的電力，但還沒有達到最大值。 隨著風越來越大，我們達到了最高水平 |
| 電力生產。 隨著風變得越來越大而且風太大了，我們必須減少我們從風中獲取的能量，或者我們可能想完全停止，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。 |
| 所以這裡是三維數據停車模式，我們在等待，空轉。 我們在等，停車，我們不營業。 |
| 轉子加快速度產生最少的電力。 那是連接生產 subrated |
| 並評價。 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聚類，我們將比較聚類……聚類的結果，我們將選擇給出 |
| 最好...我不能說最好...最小錯誤，而數字不是太高。 那麼讓我們看看它的實際效果，它是如何工作的。 |
| 所以我們正在做聚類，聚類最多 10 個。 我不想在演示文稿中花太長時間。 大約需要 10 到 15 秒。 所以我們在渦輪機 1 中找到集群。 |
| 所以 |
| 每個簇基本上是集中的 |
| 運行模式，那麼我們就會知道這台渦輪機是如何工作的。 所以我們有 AIC 與集群的數量。 |
| 我會 |
| 繪製圖表 |
| AIC 與集群數量。 |
| 所以它並不像它應該的那樣順利，因為我確實使用了一些迭代和工具並使它變得快速。 但是，對於製作和實際工作來說，這需要更長的時間。 |
| 因此，正如我們在 6、7、8 上看到的那樣，這是一個很好的集群數量，同時錯誤已經下降。 errorwill 稍微下降更多 |
| 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，它可能會變得過度擬合。 |
| 所以 |
| 現在 |
| 我們密謀他們。 |
| 所以這是渦輪機 1，當我們繪製它們時，我們可以看到，有一些過渡，那是我們從強風到停車的時候，因為風太大了。 |
| 所以回到演示文稿。 |
| 現在，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。 這不關我們的事。 |
| 如果有兩個集群，我們可以看到算法正在此處選取該組。 我們稱之為空轉，只是等待。 或者三個集群，它是停車，轉子拾取速度和操作，所以算法拾取這三個。 |
| 如果我們研究六個、七個或八個，它們最有意義。 我選擇了六個，因為對於本次演示來說這是一個很小的數字。 操作工程師可能會接更多，八個或九個。 |
| 這是一個現場演示，我們已經看過這個了。 |
| 分層、K 均值和正態。 對於工業項目，我通常使用普通混合物。 |
| 對於業務項目，層次結構非常有意義，因為它很好地分解了邏輯。 K-mean 是計算密集型的，在大數據集上它會太耗時。 |
| 所以正態混合的假設是簇在正態分佈下是凸的，這意味著它們只有一個峰。 確實如此。 |
| 在......當我們有一種操作模式時，它通常在一個中心內以該操作模式操作，因此正常混合是安全的 |
| 用於聚類的算法。 |
| 現在，開始狀態監測。 我們做了所有的聚類，好的。 我們拿他們做什麼？ |
| 先說說他們這裡要監控什麼。 |
| 當變速箱中的齒輪工作時，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的推移而移動。 這就是我們想要找到的。 然而， |
| 如果腹側線正在努力工作並且其中有很大的扭矩，則觸摸點可能與扭矩不那麼強並且 |
| 風沒有那麼大了。 所以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個接觸點，而不是當操作模式彼此差異太大時。 所以對於這個 |
| 監控，我們可以使用簡單的線性回歸。 |
| 所以做線性回歸 |
| 基於不同的操作模式。 所以對於電網連接， |
| R 平方為 99.6%。 我們可以看到這是一個很好的近似值。 這是一個很好的回歸線。 |
| 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，所以我們將其排除。 因此，實際上我們將把這種操作模式放在一起，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。 正如我們所看到的，有 521,000 條記錄，而且只有兩三秒，所以它的性能非常好。 |
| 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。 所以我們在這裡喜歡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怠速。 |
| 這是一個很好的回歸線。 |
| 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。 渦輪機的殘餘物。 |
| 當殘差增加時，我們將分析殘差。 因此，讓我們進行現場演示。 那是有道理的。 |
| 因此，我們正在繪製所有五台渦輪機的殘差，僅針對選定的運行模式。 如此空轉和額定，我們將它們排除在外。 如果我們繪製其他的會怎樣？ 對於怠速，一切都結束了，它沒有任何意義，沒有告訴我們任何事情。 |
| 額定產量也是如此。 它沒有說什麼，也沒有說太多。 |
| 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，如果我們查看修復日誌，這是一次修復，那是另一次修復，我們在這裡看到一個很好的逐漸增加。 那是又一次修理。 |
| 渦輪 11，變速箱沒有問題。 它從來沒有... |
| 殘差從未增加。 |
| 渦輪 6 進行了維修，所以這可能表明發生了一些問題，但究竟是什麼...... |
| 在什麼水平......讓我們說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行動的殘差水平。 目前，這在業界是一個懸而未決的問題，是一個開放的研究課題。 然而，它是一個用於 |
| 幫助工程師。 所以回到 |
| 我們的介紹。 所以趨勢是為了監控，以及工程師會在什麼水平上採取行動並實際干預和打開變速箱。 這是一個工程決定。 但是，從數據的角度來看，您是在幫助工程師做出決策。 |
| 總之，一個複雜的過程有多種操作模式。 當我們想要監控 |
| 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了一部分操作流程。 |
| 聚類方法，我們可以用來隔離不同的操作模式。 狀態監控，使用操作模式來檢測性能下降，就像我們所做的那樣。 監控子組件 |
| 考慮到物理定律，我們使用比率。 如果系統很複雜，我們不能用一種物理定律來描述它，那麼我們就會使用其他方法，比如 |
| K-最近鄰或神經網絡。 演講快結束了，感謝大家的關注。 |
