Vocero | Transcripción |
| Alan Rezazadeh | Hola a todos, gracias por unirse a esta presentación. Mi nombre es Alan Rezazadeh, trabajo con el Instituto de Tecnología del Sur de Alberta. mi posición es |
| un científico analítico de investigación. Vamos a hablar de analítica industrial y como ejemplo, centrándonos más en aerogeneradores y monitorización de estado de aerogeneradores. |
| Expresiones de gratitud. |
| CFREF, Canada First Research Excellent Fund, gracias por permitirme participar en esta conferencia. |
| EDP Renewable Energy Wind Farm de España, gracias por compartir los datos operativos, que están disponibles gratuitamente para investigación y educación. Y sobre todo, JMP por construir este fantástico software de descubrimiento estadístico. |
| Agenda. Vamos a hablar sobre el alcance de la analítica industrial, lo que se incluye dentro de la analítica industrial. |
| y cómo consideraríamos el equipo industrial como un proceso; preparación y comprensión de datos; y definición de subcomponentes, cómo encontrar el objetivo en la definición de subcomponentes; y al final estará monitoreando la degradación y el rendimiento, lo que se llama monitoreo basado en condiciones. |
| Entonces, en el ámbito de la analítica industrial, tenemos mucho de todo incluido. Así que tenemos grandes series temporales de datos que ingresan por sensores, que es IoT. |
| Y queremos hacer optimización de procesos, descubrimiento de conocimiento, toma de decisiones. Básicamente, queremos reducir la contaminación, queremos aumentar la producción buena, como la energía de las turbinas eólicas o de los paneles solares, o queremos controlar la salud o el estado de los equipos industriales. |
| Así que la primera idea es una maquinaria compleja, como un motor a reacción de turbina de gas es básicamente un proceso. Hay entrada, hay salida. La entrada, en este caso, que es una turbina de gas, es aire y combustible; la salida es electricidad y escape, algún tipo de humos y gases. Así que romperíamos esto |
| un compresor, una cámara de combustión y un generador de energía. Es el caso más simple. Así que ahora tenemos un proceso y subcomponentes. Entonces, a partir de ahora, puedo cambiar el término proceso y equipo de manera intercambiable con ellos juntos. |
| Entonces, ¿hasta dónde llegamos en desglosar el proceso? Así que queremos descomponerlo en subcomponentes más pequeños y simples que realmente podamos describir mediante una fórmula física matemática, como la aerodinámica o la termodinámica, etc. |
| Así primeros principios, a partir de los cuales se conoce una cosa, Aristóteles. Así que nos estamos descomponiendo en componentes más pequeños. |
| Y este es un ciclo de avería para motores a reacción o también para turbinas de gas. Entonces, como podemos ver, con el tiempo, habrá algunos cambios, alguna modificación, alguna degradación, si así lo llamamos. |
| Además, no es solo por el desgaste. Podría deberse a cambios operativos, por lo que cambiaría la temperatura del aire, cambiaría la demanda eléctrica de la red. |
| Como resultado, el modo operativo del equipo cambiará. Entonces, ahora queremos diferenciar entre los modos operativos y la degradación, lo que significa que primero debemos saber qué es el modo operativo. |
| digamos por un |
| aerogenerador, tenemos rotor, |
| eje de baja velocidad, contamos con caja de cambios, generador y un transformador. |
| Es un sistema complejo; lo descomponemos en subcomponentes más pequeños. |
| hidráulica, |
| lubricación, refrigeración, etc. Entonces, la entrada al proceso es viento, la salida es energía. Así que veámoslo, viento versus potencia, que es la curva de potencia en la industria de la energía eólica. así que en el |
| En el eje X, tenemos la energía del viento, la velocidad del viento, y en el eje vertical, tenemos la potencia. Por lo tanto, es una curva de potencia típica que se utiliza para el análisis de turbinas eólicas. Como podemos ver, es un sistema complejo. Así que a cuatro metros por segundo, |
| el sistema comienza a funcionar. Antes, está en modo inactivo y está esperando que sople el viento. A cuatro metros por segundo, es la velocidad mínima del viento que puede operar, |
| tan lentamente comenzará a producir electricidad. Por encima de 12, se está volviendo fuerte, por lo que tienen que reducir la cantidad de energía que obtienen del viento, y eso se hace cambiando la hoja, el ángulo de las hojas. |
| Por encima de 25 metros por segundo, la operación del equipo será insegura, por lo que se apagará. |
| Así que tenemos una demostración en vivo ahora, |
| y |
| vamos a producir la curva de potencia. |
| Entonces |
| Velocidad del viento versus potencia. Entonces, como podemos ver con el contorno, la alta concentración está en el modo de ralentí y la velocidad más baja del viento. Así que este es el régimen de viento en el sistema. |
| Y a medida que aumenta la velocidad del viento, se vuelve más fuerte y se produce más electricidad. Como se vuelve demasiado fuerte, entonces se apaga. Podemos ver los histogramas. Si quieres saber cómo hacerlo en |
| JMP, sería bastante sencillo. Cuando la velocidad como factor X y la potencia como Y, agrupándolos por |
| turbinas |
| Así que volviendo a la presentación. |
| Ahora estamos empezando a analizar los datos. Primero está el análisis univariante, por lo que analizaríamos los parámetros principales, que es, digamos, la velocidad del viento. |
| Investigarían la literatura existente y el conocimiento de ingeniería existente si existe algún modelo matemático y estadístico que describa el viento. |
| Y hay uno, y la distribución del viento generalmente se ajusta a Weibull. Entonces compararíamos el viento con el Weibull. Veríamos que está muy cerca. |
| Sin embargo, entre diferentes turbinas hay algunos menores. diferencias, por lo que hay una pequeña oportunidad, oportunidad de optimización de la investigación. |
| Entonces, la turbina 9 es diferente a la 6, por lo que el viento de la 6 y la 9 son diferentes, por lo que podría deberse a la interferencia, la interacción entre estas turbinas, lo cual está bien. Sucede en la industria. |
| Y es una oportunidad de optimización para reducir esta estela y es un tema muy conocido dentro de la industria. |
| Entonces, después del análisis univariado, pasamos a la ciencia de datos típica |
| preprocesamiento Valores faltantes, ¿hay ceros? ¿Los ceros realmente significan cero o son valores faltantes? Así que manejamos esos; no es un tema de esta charla. Valores atípicos, hablaremos un poco sobre los valores atípicos. |
| Entonces |
| en mis proyectos quitamos cualquier valor que no sea físicamente posible. Entonces, si la temperatura... la temperatura del aire se registra en 100, sabes que no tenemos 100 grados, así que la eliminamos. Pero no cambiaríamos los otros datos según nuestro propio juicio, por lo que los mantenemos mucho. |
| Y la convergencia de fecha/hora, por lo que hacemos algunas conversiones de fecha/hora para encajar en el formato JMP. Así que estos son en gran medida un estándar. Así que un método de univeriado, |
| El análisis de valores atípicos multivariado es Mahalanobis, y está muy bien respaldado en JMP y lo vamos a ver. Entonces, básicamente, si tenemos cuatro parámetros, producimos una salida |
| y nos fijamos en este. Entonces Mahalanobis y estos son los valores atípicos. No vamos a eliminar estos valores atípicos pero, sin embargo, estos son los centros de enfoque y atención en los que nos fijaremos. Así que para la demostración en vivo, |
| usando |
| Graph Builder, podemos trazarlos fácilmente contra Mahalanobis y verificar diferentes turbinas. |
| Entonces, por ejemplo, tenemos un pequeño pico aquí. Está por encima de los límites de control superiores, por lo que es un valor atípico. Entonces lo revisamos para ver qué sucedió, y puede ver los parámetros, cómo se cambiaron. |
| Para producir esta distancia de Mahalanobis, podemos usar las características multivariadas de JMP, |
| productor |
| bajo análisis de valores atípicos, Mahalanobis, y luego guardarlos en los datos. |
| Así que volviendo a la presentación. |
| Entonces, después de que hayamos terminado el preprocesamiento, |
| comenzaríamos el descubrimiento de datos. Queremos ver qué nos dicen los datos, así que les di un pequeño resumen de la curva de potencia, de cómo funcionaba el flujo. Así que vamos a formalizarlo un poco. |
| Al principio está al ralentí, así que a la espera de un viento más fuerte. Así que hay algo de viento. Empezamos. La velocidad de rotación aumenta, hay más viento. |
| Nos conectamos a la red, eso significa que la turbina está conectada al generador. El generador tiene suficiente velocidad ahora y se conecta a la red y produce electricidad. |
| La velocidad del viento aumenta. Estamos produciendo una buena cantidad de electricidad, pero no está al máximo. A medida que el viento se vuelve más fuerte, llegamos al nivel máximo de |
| la producción de electricidad. A medida que el viento se vuelve aún más fuerte y es demasiado, tenemos que reducir la energía que obtenemos... cosechamos del viento, o es posible que queramos detenernos por completo porque es demasiado fuerte. |
| A medida que las condiciones se calman, el viento vuelve a ser lento, pasamos al ralentí. Así que es un bucle; es un diagrama de flujo. Ahora hagámoslo con los datos. |
| Así que aquí hay un modo de estacionamiento de datos tridimensionales, estamos esperando, inactivos. Estamos esperando, estacionando, no estamos operando. |
| El rotor aumenta la velocidad produciendo electricidad mínima. Eso es conectar producir subvaluado |
| y clasificado. Y si se vuelve demasiado fuerte, entonces irían a este estacionamiento nuevamente y apagarían la operación. Así que lo que tenemos aquí es agrupamiento |
| y comparar AIC. Entonces, si tenemos un grupo o dos o tres, compararíamos el grupo... los resultados del agrupamiento y obtendríamos la cantidad de grupos que dan el |
| mejor... no puedo decir lo mejor... el error mínimo, mientras que el número no es demasiado alto. Entonces, veámoslo en acción, cómo funcionaría. |
| Entonces estamos haciendo clustering y clustering hasta 10. No quería tomarlo demasiado tiempo dentro de la presentación. Tarda entre 10 y 15 segundos. Así que estamos encontrando los grupos dentro de la Turbina 1. |
| Entonces |
| cada grupo es básicamente la concentración de |
| modos de funcionamiento, entonces sabríamos cómo estaba funcionando esta turbina. Entonces tenemos el AIC contra el número de grupos. |
| me gustaría |
| trazar el gráfico |
| AIC versus número de conglomerados. |
| Así que no es tan fluido como debería porque utilicé varias iteraciones y herramientas y lo hice rápido. Sin embargo, para la producción y el trabajo real, llevaría más tiempo. |
| Entonces, como podemos ver en 6, 7, 8, es una buena cantidad de grupos, mientras que el error ha disminuido. El error disminuirá marginalmente más |
| sin embargo, si continuamos con más clústeres, se sumaría a la complejidad y si la aumentamos demasiado, podría sobreajustarse. |
| Entonces |
| ahora |
| los tramamos. |
| Así que esto es para la turbina 1, ya medida que los trazamos, podemos ver que hay algunas transiciones y ahí es cuando pasamos de viento fuerte a estacionamiento porque el viento es demasiado fuerte. |
| Así que volviendo a la presentación. |
| Ahora, ¿cuántos grupos son el número correcto? Entonces, si hay un grupo, todo es un grupo, está bien. No es nuestra preocupación. |
| Si hay dos grupos, podemos ver que el algoritmo está seleccionando este grupo aquí. A eso lo llamamos ralentí, solo esperar. O tres grupos, está estacionado, el rotor aumenta la velocidad y las operaciones, por lo que el algoritmo detecta estos tres. |
| Si observamos seis, siete u ocho, tienen más sentido. Recogí seis porque es un número pequeño para esta presentación. Un ingeniero de operaciones puede recoger más, ocho o nueve de ellos. |
| Entonces, una demostración en vivo, y ya vimos esta. |
| jerárquica, K-media y normal. Para proyectos industriales suelo utilizar mezclas normales. |
| Para proyectos empresariales, jerárquico tendría bastante sentido, porque proporciona un buen desglose de la lógica. K-mean es computacionalmente intensivo y en grandes conjuntos de datos consumiría demasiado tiempo. |
| Entonces, la suposición con una mezcla normal es que los grupos son convexos bajo una distribución normal, lo que significa que solo tienen un pico. Y es mucho el caso. |
| En el... cuando tenemos un modo operativo, generalmente opera dentro de ese modo operativo dentro de un centro, por lo que la combinación normal es segura |
| algoritmo a utilizar para el agrupamiento. |
| Ahora, llegar al monitoreo de condición. Hicimos todo el agrupamiento, está bien. ¿Qué estamos haciendo con ellos? |
| Hablemos de lo que van a monitorear aquí. |
| A medida que funcionan los engranajes de la caja de cambios, hay un punto de contacto en la caja de cambios. Debido al desgaste, este punto de contacto puede cambiar con el tiempo. Eso es lo que queremos encontrar. Sin embargo, |
| si la línea ventral está trabajando duro y hay mucho torque en ella, el punto de contacto puede ser diferente que cuando el torque no es tan fuerte y |
| el viento no es tan fuerte. Entonces eso significa nuevamente, modo operativo. Entonces, queremos comparar estos puntos de contacto dentro de un modo operativo, no cuando los modos operativos son demasiado diferentes entre sí. entonces por esto |
| monitoreo, podemos usar una regresión lineal simple. |
| Así que haciendo una regresión lineal |
| basado en diferentes modos operativos. Entonces, para la conexión a la red, |
| R al cuadrado es 99,6%. Podemos ver que es una buena aproximación. Es una buena línea de regresión. |
| 99.993. Es una buena R al cuadrado, así que usaremos esta. |
| Para operaciones nominales, |
| no obtuvimos una buena R al cuadrado, por lo que la excluiremos. Así que prácticamente nos vamos a juntar para este modo operativo que nos está dando una buena R al cuadrado para el análisis que queremos hacer. Ahora volviendo a la demostración. |
| Esta es básicamente la antigua regresión lineal. Ocurrió en cuestión de segundos. Como podemos ver, hay 521 000 registros y fueron solo dos o tres segundos, por lo que es un rendimiento excelente. |
| Así que estos son los modos operativos que vamos a seleccionar. Echemos un vistazo más para confirmar que estamos eligiendo los valores correctos. |
| Ajustando Y por X, trazaríamos los contornos de densidad. Entonces, lo que nos gusta ver aquí es que la línea de regresión pasa por los centros de la densidad, y esto es pasar. Es agradable. |
| Lo va a extrañar, y ese es el ralentí que elegimos no usar. |
| Es una buena línea de regresión. |
| Para la producción nominal, faltan los puntos de densidad, por lo que no vamos a usar este. |
| Se confirma mucho la observación que habíamos tenido con R al cuadrado. |
| Así que hicimos esto. ¿Qué viene después? |
| Dibujamos los residuos. Residuos de turbinas. |
| Y analizaríamos los residuales cuando los residuales aumentan. Así que vamos a tener una demostración en vivo. Eso tendría sentido. |
| Así que estamos graficando los residuales para las cinco turbinas, solo para los modos de operación seleccionados. Entonces, inactivos y clasificados, los excluimos. ¿Qué pasa si trazamos los otros? Para el ralentí, todo se acabó, no significa nada, no nos dice nada. |
| Lo mismo con la producción nominal. No dice nada, no dice mucho. |
| Sin embargo, con esto junto, |
| podemos ver los residuales aumentados en algunas fechas específicas. Y, de hecho, si miramos el registro de las reparaciones, esta fue una reparación, esa fue otra reparación y vemos un buen aumento gradual aquí. Esa fue una reparación más. |
| Turbina 11, no tuvimos problema con la caja de cambios. nunca... la |
| los residuos nunca aumentaron. |
| Y hubo reparaciones en Turbine 6, por lo que esto puede mostrar algunos problemas que sucedieron, pero ¿qué fue? |
| a que nivel... digamos a que nivel de residual es un problema real. |
| es subjetivo Tenemos que cuantificar. Tenemos que ver qué nivel de residual necesita un ingeniero para tomar algunas medidas. Y en este momento, es una pregunta muy abierta en la industria, un tema abierto para la investigación. Sin embargo, es una herramienta utilizada para |
| ayudar a los ingenieros. Así que volviendo a |
| nuestra presentación. Entonces, las tendencias son para el monitoreo y en qué nivel un ingeniero tomaría medidas e interferiría y abriría la caja de cambios. Esa es una decisión de ingeniería. Sin embargo, desde la perspectiva de los datos, está ayudando a los ingenieros a tomar decisiones. |
| En resumen, un proceso complejo tiene múltiples modos de operación. Cuando queremos monitorear |
| un dispositivo, tenemos que saber qué modo de funcionamiento vamos a monitorizar. Cada modo operativo destaca una parte de los procesos operativos. |
| Métodos de agrupamiento que podemos utilizar para aislar los diferentes modos de funcionamiento. Monitoreo de condición, usando modos de operación para detectar degradación, como lo hicimos nosotros. Supervisión de subcomponentes |
| en consideración a la ley física, como usamos para la razón. Y si el sistema es complejo y no podemos describirlo con una ley física, entonces usaríamos otros métodos, como |
| K-vecino más cercano o la red neuronal. Y es mucho más al final de una presentación, y gracias por su atención. |
