| Conférencier |
Transcription |
| Alan Rezazadeh |
Bonjour à tous et merci de participer à cette présentation. Je m'appelle Alan Rezazadeh et je travaille au Southern Alberta Institute of Technology. Mon poste est le suivant : |
| |
Un scientifique en analyse de recherche. Nous allons aborder l'analyse industrielle, en nous concentrant, par exemple, sur les éoliennes et leur surveillance. |
| |
Remerciements. |
| |
CFREF, Canada First Research Excellent Fund, merci de m'avoir permis de participer à cette conférence. |
| |
Parc éolien EDP Renewable Energy (Espagne), merci de partager vos données opérationnelles, librement accessibles à des fins de recherche et d'enseignement. Et surtout, merci à JMP pour avoir développé ce formidable logiciel de découverte statistique. |
| |
Ordre du jour. Nous aborderons le champ d'application de l'analyse industrielle et son contenu. |
| |
et comment nous considérerions l'équipement industriel comme un processus ; préparer et comprendre les données ; et définir les sous-composants, comment trouver l'objectif dans la définition des sous-composants ; et à la fin, nous surveillerons la dégradation et les performances, ce que l'on appelle la surveillance basée sur l'état. |
| |
Dans le domaine de l'analyse industrielle, nous incluons quasiment tout. Nous disposons de vastes séries chronologiques de données provenant de capteurs, ce qui est l'IoT. |
| |
Nous souhaitons optimiser les processus, acquérir des connaissances et prendre des décisions. En résumé, nous souhaitons réduire la pollution, augmenter la production d'énergie, comme celle des éoliennes ou des panneaux solaires, ou encore surveiller l'état des équipements industriels. |
| |
La première idée est qu'une machine complexe, comme un moteur à réaction à turbine à gaz, est fondamentalement un processus. Il y a une entrée et une sortie. L'entrée, dans ce cas, qui est une turbine à gaz, est constituée d'air et de carburant ; la sortie est constituée d'électricité et d'échappement, c'est-à-dire de fumées et de gaz. Nous décomposerions donc cela. |
| |
Un compresseur, une chambre de combustion et un générateur d'énergie. C'est le cas le plus simple. Nous avons donc maintenant un procédé et des sous-composants. À partir de maintenant, je pourrai donc remplacer les termes « procédé » et « équipement » par « ensemble ». |
| |
Alors, jusqu'où pouvons-nous aller dans la décomposition du processus ? Nous souhaitons le décomposer en sous-composants plus petits et plus simples, que nous pouvons décrire par une formule physique mathématique, comme l'aérodynamique ou la thermodynamique, etc. |
| |
Donc, les premiers principes, à partir desquels une chose est connue, selon Aristote. Nous la décomposons donc en éléments plus petits. |
| |
Il s'agit d'un cycle de panne pour les moteurs à réaction, ou pour les turbines à gaz. Comme on peut le constater, au fil du temps, des changements, des modifications, voire une dégradation, se produiront. |
| |
Ce n'est pas seulement dû à l'usure. Cela peut aussi être dû à des changements opérationnels, comme la température de l'air ou la demande d'électricité du réseau. |
| |
Par conséquent, le mode de fonctionnement de l'équipement va changer. Il est donc important de différencier les modes de fonctionnement de la dégradation, ce qui implique de déterminer d'abord le mode de fonctionnement. |
| |
Disons pour un |
| |
éolienne, nous avons un rotor, |
| |
arbre à basse vitesse, nous avons une boîte de vitesses, un générateur et un transformateur. |
| |
C’est un système complexe ; nous le décomposons en sous-composants plus petits. |
| |
hydraulique, |
| |
lubrification, refroidissement, etc. Le vent est donc à l'entrée du processus, et l'électricité en sortie. Voyons donc la courbe de puissance du secteur éolien. |
| |
Sur l'axe des abscisses, nous avons l'énergie éolienne, la vitesse du vent, et sur l'axe des ordonnées, la puissance. Il s'agit donc d'une courbe de puissance typique utilisée pour l'analyse des éoliennes. Comme on peut le constater, il s'agit d'un système complexe. Ainsi, à quatre mètres par seconde, |
| |
Le système commence à fonctionner. Auparavant, il était en mode veille et attendait que le vent souffle. À quatre mètres par seconde, c'est la vitesse minimale de vent à laquelle il peut fonctionner. |
| |
Lentement, la production d'électricité commencera. Au-delà de 12 °C, la puissance augmentera, ce qui obligera à réduire la quantité d'énergie éolienne récoltée, en modifiant l'angle des pales. |
| |
Au-dessus de 25 mètres par seconde, l'utilisation de l'équipement n'est pas sûre, il est donc éteint. |
| |
Nous avons donc maintenant une démo en direct, |
| |
et |
| |
nous allons produire la courbe de puissance. |
| |
Donc |
| |
Vitesse du vent en fonction de la puissance. Comme le montre le contour, la concentration la plus élevée se situe autour du mode ralenti et de la vitesse du vent la plus faible. Voici donc le régime éolien du système. |
| |
À mesure que le vent s'accélère, il devient plus fort, ce qui augmente la production d'électricité. S'il devient trop fort, il est coupé. On peut voir les histogrammes. Si vous voulez savoir comment procéder, cliquez ici. |
| |
JMP, ce serait assez simple. Si la vitesse est le facteur X et la puissance le facteur Y, les regrouper par |
| |
turbines. |
| |
Revenons donc à la présentation. |
| |
Nous commençons maintenant à analyser les données. La première étape consiste à analyser les principaux paramètres, comme la vitesse du vent. |
| |
Ils étudieraient la littérature existante et les connaissances techniques existantes pour savoir s’il existe un modèle mathématique et statistique décrivant le vent. |
| |
Il y en a une, et la distribution du vent est généralement conforme à la loi de Weibull. On compare alors le vent à la loi de Weibull. On constate qu'elle est très proche. |
| |
Cependant, il existe quelques différences mineures entre les différentes turbines, il y a donc une petite opportunité, une opportunité d'optimisation de la recherche. |
| |
L'éolienne 9 est différente de la 6, donc les vents des éoliennes 6 et 9 sont différents. Cela pourrait être dû à une interférence, une interaction entre ces éoliennes, ce qui est normal. Cela arrive dans l'industrie. |
| |
Et c'est une opportunité d'optimisation pour réduire ce sillage et c'est un grand sujet bien connu au sein de l'industrie. |
| |
Donc, après l’analyse univariée, nous passons à la science des données classique |
| |
Prétraitement. Valeurs manquantes : y a-t-il des zéros ? Ces zéros signifient-ils vraiment zéro ou s'agit-il de valeurs manquantes ? Nous les gérons ; ce n'est pas le sujet de cette présentation. Quant aux valeurs aberrantes, nous en parlerons un peu plus. |
| |
Donc |
| |
Dans mes projets, nous supprimons toute valeur physiquement impossible. Ainsi, si la température de l'air est de 100 °C, nous savons que nous n'avons pas 100 °C, alors nous la supprimons. Cependant, nous ne modifierions pas les autres données selon notre propre jugement ; nous les conservons donc. |
| |
Et la convergence date/heure, donc nous faisons quelques conversions date/heure pour correspondre au format JMP. Donc c'est une norme. Donc une méthode d'univeriation, |
| |
L'analyse des valeurs aberrantes multivariées est basée sur Mahalanobis, et elle est bien prise en charge par JMP. Nous allons l'examiner. Ainsi, si nous avons quatre paramètres, nous produisons une seule sortie. |
| |
Et nous examinons celui-ci. Mahalanobis et voici les valeurs aberrantes. Nous n'allons pas les supprimer, mais ce sont les points sur lesquels nous allons nous concentrer. Pour une démonstration en direct, |
| |
en utilisant |
| |
Graph Builder, nous pouvons facilement les tracer par rapport aux Mahalanobis et vérifier différentes turbines. |
| |
Par exemple, nous avons un petit pic ici. Il est supérieur aux limites de contrôle supérieures, il s'agit donc d'une valeur aberrante. Nous vérifions donc ce qui s'est passé et nous pouvons voir les paramètres et leur évolution. |
| |
Afin de produire cette distance de Mahalanobis, nous pouvons utiliser les fonctionnalités multivariées de JMP, |
| |
produire |
| |
sous analyse des valeurs aberrantes, Mahalanobis, puis les enregistrer dans les données. |
| |
Revenons donc à la présentation. |
| |
Donc, après avoir terminé le pré-traitement, |
| |
Nous allons commencer la découverte des données. Nous voulons comprendre ce que les données nous disent. J'ai donc donné un bref aperçu de la courbe de puissance et du fonctionnement du flux. Formalisons un peu le tout. |
| |
Au début, on tourne au ralenti, on attend un vent plus fort. Il y a donc du vent. On démarre. La vitesse de rotation augmente, le vent se lève. |
| |
Nous nous connectons au réseau, ce qui signifie que la turbine est connectée au générateur. Ce dernier atteint maintenant une vitesse suffisante pour se connecter au réseau et produire de l'électricité. |
| |
La vitesse du vent augmente. Nous produisons une bonne quantité d'électricité, mais elle n'est pas encore à son maximum. À mesure que le vent s'intensifie, nous atteignons le niveau maximal. |
| |
Production d'électricité. Comme le vent devient de plus en plus fort et trop fort, nous devons réduire notre production d'électricité… soit nous captons le vent, soit nous l'arrêtons complètement parce qu'il est trop fort. |
| |
À mesure que les conditions se calment, le vent faiblit et nous passons au ralenti. C'est donc une boucle, un organigramme. Voyons maintenant comment procéder avec les données. |
| |
Voici donc un mode de stationnement de données tridimensionnel : nous attendons, au ralenti. Nous attendons, nous nous garons, nous ne fonctionnons pas. |
| |
Le rotor prend de la vitesse, produisant un minimum d'électricité. C'est la connexion qui produit une puissance sous-évaluée. |
| |
et classé. Et si le niveau devient trop élevé, ils retourneraient sur ce parking et désactiveraient le système. On a donc ici un phénomène de clustering. |
| |
et comparer les AIC. Ainsi, si nous avons un, deux ou trois clusters, nous comparerons les résultats du clustering et déterminerons le nombre de clusters qui donnent la |
| |
Le meilleur… Je ne peux pas dire le meilleur… l'erreur minimale, même si le nombre n'est pas trop élevé. Voyons voir comment cela fonctionne. |
| |
Nous effectuons donc le clustering jusqu'à 10. Je ne voulais pas que la présentation soit trop longue. Cela prend environ 10 à 15 secondes. Nous recherchons donc les clusters dans la turbine 1. |
| |
Donc |
| |
chaque cluster est fondamentalement la concentration de |
| |
Modes de fonctionnement, nous saurions alors comment fonctionnait cette turbine. Nous avons donc l'AIC par rapport au nombre de grappes. |
| |
Je voudrais |
| |
tracer le graphique |
| |
AIC par rapport au nombre de clusters. |
| |
Ce n'est donc pas aussi fluide que prévu, car j'ai utilisé plusieurs itérations et outils pour accélérer le processus. Cependant, pour la production et le travail proprement dit, cela prendrait plus de temps. |
| |
Comme on peut le constater sur les clusters 6, 7 et 8, le nombre de clusters est important, et l'erreur a diminué. Elle diminuera légèrement davantage. |
| |
Cependant, si nous continuons avec plus de clusters, cela ajouterait à la complexité et si nous l'augmentons trop, cela pourrait devenir un surajustement. |
| |
Donc |
| |
maintenant |
| |
nous les traçons. |
| |
Donc, c'est pour la turbine 1, et comme nous les traçons, nous pouvons voir qu'il y a des transitions et c'est à ce moment-là que nous passons du vent fort au stationnement parce que le vent est trop fort. |
| |
Revenons donc à la présentation. |
| |
Maintenant, combien de clusters sont le nombre exact ? Donc, s'il y a un cluster, tout est un groupe, d'accord. Ce n'est pas notre problème. |
| |
S'il y a deux groupes, l'algorithme détecte ce groupe. On parle alors de ralenti, d'attente. Ou s'il y a trois groupes, c'est le stationnement, le rotor prend de la vitesse et fonctionne, donc l'algorithme détecte ces trois groupes. |
| |
Si nous examinons six, sept ou huit, ce sont les chiffres les plus pertinents. J'en ai retenu six, mais c'est un petit nombre pour cette présentation. Un ingénieur des opérations pourrait en retenir davantage, huit ou neuf. |
| |
Donc une démo en direct, et nous l'avons déjà vu celle-ci. |
| |
Hiérarchique, K-mean et normal. Pour les projets industriels, j'utilise généralement des mélanges normaux. |
| |
Pour les projets d'entreprise, une approche hiérarchique serait tout à fait judicieuse, car elle permet une bonne décomposition de la logique. La méthode K-mean requiert beaucoup de calculs et, sur de grands ensembles de données, elle serait trop chronophage. |
| |
L'hypothèse avec un mélange normal est que les amas sont convexes sous une distribution normale, ce qui signifie qu'ils n'ont qu'un seul pic. Et c'est tout à fait le cas. |
| |
Dans le... lorsque nous avons un mode de fonctionnement, il fonctionne généralement dans ce mode de fonctionnement au sein d'un centre, donc le mélange normal est un mélange sûr |
| |
algorithme à utiliser pour le clustering. |
| |
Passons maintenant à la surveillance de l'état. Nous avons effectué tous les clusters. Qu'en faisons-nous ? |
| |
Parlons de ce qu’ils vont surveiller ici. |
| |
Lorsque les engrenages de la boîte de vitesses fonctionnent, il existe un point de contact. Avec l'usure, ce point de contact peut se déplacer au fil du temps. C'est ce que nous cherchons à identifier. Cependant, |
| |
si la ligne ventrale travaille dur et qu'il y a beaucoup de couple, le point de contact peut être différent de celui où le couple n'est pas si fort et |
| |
Le vent est moins fort. Cela implique donc, encore une fois, le mode opérationnel. Nous souhaitons donc comparer ces points de contact au sein d'un même mode opérationnel, et non lorsque les modes opérationnels sont trop différents. Pour cela, |
| |
pour la surveillance, nous pouvons utiliser une régression linéaire simple. |
| |
Donc, en faisant une régression linéaire |
| |
en fonction de différents modes de fonctionnement. Ainsi, pour le raccordement au réseau, |
| |
Le R au carré est de 99,6 %. On voit que c'est une bonne approximation. C'est une belle droite de régression. |
| |
99,993. C'est un bon R au carré, donc on va utiliser celui-ci. |
| |
Pour les opérations notées, |
| |
Nous n'avons pas obtenu un bon R², nous allons donc l'exclure. Concrètement, nous allons regrouper, pour ce mode opérationnel, les données qui nous donnent un bon R² pour l'analyse que nous souhaitons réaliser. Revenons maintenant à la démonstration. |
| |
Il s'agit essentiellement de l'ancienne régression linéaire. Elle s'est produite en quelques secondes seulement. Comme on peut le voir, il y a 521 000 enregistrements et cela n'a duré que deux ou trois secondes, ce qui est une excellente performance. |
| |
Voici donc les modes de fonctionnement que nous allons sélectionner. Examinons-les une dernière fois pour confirmer que nous avons choisi les bonnes valeurs. |
| |
En ajustant Y par X, nous tracerions les contours de densité. Ce que nous souhaitons voir ici, c'est la droite de régression passant par les centres de densité, et elle passe. C'est une bonne représentation. |
| |
Il va nous manquer, et c'est ce ralenti que nous avons choisi de ne pas utiliser. |
| |
C'est une belle ligne de régression. |
| |
Pour la production nominale, il manque les points de densité, nous n'allons donc pas utiliser celui-ci. |
| |
Cela confirme largement l'observation que nous avions eue avec R au carré. |
| |
Alors on a fait ça. Et ensuite ? |
| |
Nous dessinons les résidus. Résidus des turbines. |
| |
Et nous analyserions les résidus lorsqu'ils augmentent. Faisons donc une démonstration en direct. Ce serait logique. |
| |
Nous traçons donc les résidus pour les cinq turbines, uniquement pour les modes de fonctionnement sélectionnés. Nous excluons donc le ralenti et le régime nominal. Que se passe-t-il si nous traçons les autres ? Pour le ralenti, c'est terminé, cela ne signifie rien, cela ne nous dit rien. |
| |
Même chose avec la production classée. Ça ne dit rien, pas grand-chose. |
| |
Cependant, avec tout cela ensemble, |
| |
On constate une augmentation des résidus à certaines dates précises. En effet, si l'on examine le journal des réparations, on constate une belle augmentation progressive. Celle-ci correspond à une réparation de plus. |
| |
Turbine 11, nous n'avons pas eu de problème avec la boîte de vitesses. Elle n'a jamais… |
| |
les résidus n'ont jamais augmenté. |
| |
Et il y a eu des réparations sur la turbine 6, donc cela peut montrer quelques problèmes qui se sont produits, mais qu'est-ce que c'était... |
| |
à quel niveau...disons à quel niveau de résiduel se pose un réel problème. |
| |
C'est subjectif. Il faut quantifier. Il faut déterminer le niveau de résidu nécessaire à un ingénieur pour prendre certaines mesures. Pour l'instant, c'est une question ouverte dans l'industrie, un sujet de recherche ouvert. Cependant, c'est un outil utilisé pour |
| |
aider les ingénieurs. Pour en revenir à |
| |
Notre présentation. Les tendances servent donc à surveiller le niveau auquel un ingénieur interviendrait pour ouvrir la boîte de vitesses. C'est une décision d'ingénierie. Cependant, du point de vue des données, vous aidez les ingénieurs à prendre des décisions. |
| |
En résumé, un processus complexe possède plusieurs modes de fonctionnement. Lorsque nous souhaitons surveiller |
| |
Pour un appareil, il faut savoir quel mode de fonctionnement nous allons surveiller. Chaque mode de fonctionnement met en évidence une partie des processus opérationnels. |
| |
Méthodes de clustering permettant d'isoler les différents modes de fonctionnement. Surveillance de l'état, utilisant les modes de fonctionnement pour détecter les dégradations, comme nous l'avons fait. Surveillance des sous-composants. |
| |
En tenant compte des lois physiques, comme celles que nous utilisons pour le rapport. Si le système est complexe et qu'il est impossible de le décrire par une seule loi physique, nous utiliserons d'autres méthodes, comme |
| |
K-plus proches voisins ou réseau neuronal. C'est à la fin de la présentation, et merci de votre attention. |
