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。 我们将以工业分析为例，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，感谢您允许我参加这次会议。 |
| 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 构建了这个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；定义子组件，如何找到定义子组件的目标；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，我们几乎涵盖了所有内容。 所以我们有来自传感器的大量时间序列数据，这就是物联网。 |
| 我们想要进行流程优化、知识发现和决策制定。 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。 |
| 所以第一个想法是一个复杂的机械，比如燃气轮机喷气发动机基本上就是一个过程。 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。 所以现在我们有一个流程和子组件。 所以从现在开始，我可能会把工艺和设备这个词和他们一起互换。 |
| 那么我们在分解过程中走了多远？ 所以我们想把它分解成更小更简单的子组件，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，从中得知事物的第一原则。 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循环。 所以正如我们所看到的，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。 所以现在我们要区分操作模式和降级，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，我们有齿轮箱、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。 |
| 水力学， |
| 润滑、冷却等。 所以过程的输入是风，输出是功率。 那么让我们看看，风能与电力，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，这是用于风力涡轮机分析的典型功率曲线。 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，等待风吹过。 每秒四米，这是它可以运行的最小风速， |
| 如此缓慢，它将开始发电。 超过 12 级时，风力越来越强，因此他们必须减少从风中获取的能量，这可以通过改变叶片和叶片的角度来实现。 |
| 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 |
| 我们将制作功率曲线。 |
| 所以 |
| 风速与功率。 因此，正如我们从轮廓图上看到的那样，高度集中在怠速模式和较低的风速附近。 所以这就是系统中的风态。 |
| 而且随着风速加快，风力越来越大，产生的电能也越来越多。 当它变得太强时，它就会被关闭。 我们可以看到直方图。 如果你想知道如何制作它 |
| JMP，这会很简单。 当速度作为 X 因子和功率作为 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。 |
| 他们会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 Weibull。 因此，我们会将风与 Weibull 进行比较。 我们会看到它非常接近。 |
| 然而，不同的涡轮机之间存在一些小的 ???差异，所以有一点机会，研究优化机会。 |
| 所以涡轮机 9 不同于涡轮机 6，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大话题。 |
| 所以在单变量分析之后，我们进入典型的数据科学 |
| 预处理。缺失值，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。 离群值，我们将稍微讨论一下离群值。 |
| 所以 |
| 在我的项目中，我们删除了任何物理上不可能的值。 所以如果温度...气温记录为 100，你知道我们没有 100 度，所以我们将其删除。 但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，所以我们做了一些日期/时间转换以适应 JMP 格式所以这些都是非常标准的。 所以一种大学化的方法， |
| 多元离群值分析是 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重点和注意力中心。 所以对于现场演示， |
| 使用 |
| Graph Builder，我们可以轻松地将它们与 Mahalanobis 对比并检查不同的涡轮机。 |
| 因此，例如，我们这里有一个小尖峰。 它高于控制上限，因此它是异常值。 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 |
| 在异常值分析下，马氏，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，所以我给出了功率曲线的一些背景，说明流量是如何工作的。 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。 所以有风。 我们开始。 转速增加，风就大了。 |
| 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，它连接到电网并产生电力。 |
| 风速增加。 我们正在生产大量的电力，但还没有达到最大值。 随着风越来越大，我们达到了最高水平 |
| 电力生产。 随着风变得越来越大而且风太大了，我们必须减少我们从风中获取的能量……或者我们可能想完全停止，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。 |
| 所以这里是三维数据停车模式，我们在等待，空转。 我们在等，停车，我们不营业。 |
| 转子加快速度产生最少的电力。 那是连接生产 subrated |
| 并评价。 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，我们将选择集群的数量 |
| 最好...我不能说最好...最小错误，而数字不是太高。 那么让我们看看它的实际效果，它是如何工作的。 |
| 所以我们正在做聚类，聚类最多 10 个。 我不想在演示文稿中花太长时间。 大约需要 10 到 15 秒。 所以我们在涡轮机 1 中找到集群。 |
| 所以 |
| 每个簇基本上是集中的 |
| 运行模式，那么我们就会知道这台涡轮机是如何工作的。 所以我们有 AIC 与集群的数量。 |
| 我会 |
| 绘制图形 |
| AIC 与集群数量。 |
| 所以它并不像它应该的那样顺利，因为我确实使用了一些迭代和工具并使它变得快速。 但是，对于制作和实际工作来说，这需要更长的时间。 |
| 因此，正如我们在 6、7、8 上看到的那样，这是一个很好的集群数量，同时错误已经下降。 errorwill 稍微下降更多 |
| 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，它可能会变得过度拟合。 |
| 所以 |
| 现在 |
| 我们密谋他们。 |
| 所以这是涡轮机 1，当我们绘制它们时，我们可以看到，有一些过渡，那是我们从强风到停车的时候，因为风太大了。 |
| 所以回到演示文稿。 |
| 现在，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。 这不关我们的事。 |
| 如果有两个集群，我们可以看到算法正在此处选取该组。 我们称之为空转，只是等待。 或者三个集群，它是停车，转子拾取速度和操作，所以算法拾取这三个。 |
| 如果我们研究六个、七个或八个，它们最有意义。 我选择了六个，因为对于本次演示来说这是一个很小的数字。 操作工程师可能会接更多，八个或九个。 |
| 这是一个现场演示，我们已经看过这个了。 |
| 分层、K 均值和正态。 对于工业项目，我通常使用普通混合物。 |
| 对于业务项目，层次结构非常有意义，因为它很好地分解了逻辑。 K-mean 是计算密集型的，在大数据集上它会太耗时。 |
| 所以正态混合的假设是簇在正态分布下是凸的，这意味着它们只有一个峰。 确实如此。 |
| 在......当我们有一种操作模式时，它通常在一个中心内以该操作模式操作，因此正常混合是安全的 |
| 用于聚类的算法。 |
| 现在，开始状态监测。 我们做了所有的聚类，好的。 我们拿他们做什么？ |
| 先说说他们这里要监控什么。 |
| 当变速箱中的齿轮工作时，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的推移而移动。 这就是我们想要找到的。 然而， |
| 如果腹侧线正在努力工作并且其中有很大的扭矩，则触摸点可能与扭矩不那么强并且 |
| 风没有那么大了。 所以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个接触点，而不是当操作模式彼此差异太大时。 所以对于这个 |
| 监控，我们可以使用简单的线性回归。 |
| 所以做线性回归 |
| 基于不同的操作模式。 所以对于电网连接， |
| R 平方为 99.6%。 我们可以看到这是一个很好的近似值。 这是一个很好的回归线。 |
| 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，所以我们将其排除。 因此，实际上我们将把这种操作模式放在一起，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。 正如我们所看到的，有 521,000 条记录，而且只有两三秒，所以它的性能非常好。 |
| 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。 所以我们在这里喜欢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怠速。 |
| 这是一个很好的回归线。 |
| 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。 涡轮机的残余物。 |
| 当残差增加时，我们将分析残差。 因此，让我们进行现场演示。 那是有道理的。 |
| 因此，我们正在绘制所有五台涡轮机的残差，仅针对选定的运行模式。 如此空转和额定，我们将它们排除在外。 如果我们绘制其他的会怎样？ 对于怠速，一切都结束了，它没有任何意义，没有告诉我们任何事情。 |
| 额定产量也是如此。 它没有说什么，也没有说太多。 |
| 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，如果我们查看修复日志，这是一次修复，那是另一次修复，我们在这里看到一个很好的逐渐增加。 那是又一次修理。 |
| 涡轮 11，变速箱没有问题。 它从来没有... |
| 残差从未增加。 |
| 涡轮 6 进行了维修，所以这可能表明发生了一些问题，但究竟是什么...... |
| 在什么水平......让我们说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行动的残差水平。 目前，这在业界是一个悬而未决的问题，是一个开放的研究课题。 然而，它是一个用于 |
| 帮助工程师。 所以回到 |
| 我们的介绍。 所以趋势是为了监控，以及工程师会在什么水平上采取行动并实际干预和打开变速箱。 这是一个工程决定。 但是，从数据的角度来看，您是在帮助工程师做出决策。 |
| 总之，一个复杂的过程有多种操作模式。 当我们想要监控 |
| 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了一部分操作过程。 |
| 聚类方法，我们可以用来隔离不同的操作模式。 状态监控，使用操作模式来检测性能下降，就像我们所做的那样。 监控子组件 |
| 考虑到物理定律，我们使用比率。 如果系统很复杂，我们不能用一种物理定律来描述它，那么我们就会使用其他方法，比如 |
| K-最近邻或神经网络。 演讲快结束了，感谢大家的关注。 |
