| Lautsprecher |
Transkript |
| Alan Rezazadeh |
Hallo zusammen, vielen Dank für Ihre Teilnahme an dieser Präsentation. Mein Name ist Alan Rezazadeh und ich arbeite am Southern Alberta Institute of Technology. Meine Position ist |
| |
Ein Wissenschaftler für Forschungsanalytik. Wir werden über industrielle Analytik sprechen und uns dabei beispielsweise auf Windkraftanlagen und deren Zustandsüberwachung konzentrieren. |
| |
Danksagungen. |
| |
CFREF, Canada First Research Excellent Fund, vielen Dank, dass ich an dieser Konferenz teilnehmen durfte. |
| |
Vielen Dank an EDP Renewable Energy Wind Farm aus Spanien für die Bereitstellung der Betriebsdaten, die für Forschung und Lehre kostenlos zur Verfügung stehen. Und vor allem an JMP für die Entwicklung dieser fantastischen statistischen Software. |
| |
Agenda. Wir werden über den Umfang der Industrieanalytik sprechen, was in der Industrieanalytik enthalten ist |
| |
und wie wir Industrieanlagen als Prozess betrachten würden; wie wir Daten vorbereiten und verstehen; und wie wir Unterkomponenten definieren, wie wir das Ziel bei der Definition von Unterkomponenten finden; und am Ende werden wir Verschlechterung und Leistung überwachen, was als zustandsbasierte Überwachung bezeichnet wird. |
| |
Im Bereich der industriellen Analytik decken wir praktisch alles ab. Wir verfügen über große Zeitreihen von Daten, die von Sensoren erfasst werden – das ist IoT. |
| |
Und wir wollen Prozesse optimieren, Erkenntnisse gewinnen und Entscheidungen treffen. Im Grunde wollen wir die Umweltverschmutzung reduzieren, die Produktion von Gütern steigern, beispielsweise von Windkraftanlagen oder Solarmodulen, oder wir wollen den Zustand von Industrieanlagen überwachen. |
| |
Die erste Idee ist, dass eine komplexe Maschinerie, wie zum Beispiel ein Gasturbinentriebwerk, im Grunde ein Prozess ist. Es gibt Input und Output. Der Input, in diesem Fall eine Gasturbine, besteht aus Luft und Treibstoff; der Output ist Strom und Abgase, also Dämpfe und Gase. Wir würden das also aufschlüsseln |
| |
Ein Kompressor, eine Brennkammer und ein Stromgenerator. Das ist der einfachste Fall. Wir haben also einen Prozess und Unterkomponenten. Daher kann ich die Begriffe „Prozess“ und „Anlage“ ab sofort synonym verwenden. |
| |
Wie weit können wir also bei der Aufschlüsselung des Prozesses gehen? Wir wollen ihn in kleinere, einfachere Unterkomponenten zerlegen, die wir tatsächlich mit einer mathematisch-physikalischen Formel beschreiben können, wie etwa der Aerodynamik oder Thermodynamik usw. |
| |
Also die Grundprinzipien, aufgrund derer eine Sache bekannt ist, Aristoteles. Wir zerlegen sie also in kleinere Komponenten. |
| |
Und dies ist ein Ausfallzyklus für Strahltriebwerke oder auch für Gasturbinen. Wie wir also sehen können, wird es im Laufe der Zeit einige Änderungen, einige Modifikationen, einige Verschlechterungen geben, wenn wir so sagen. |
| |
Und es liegt nicht nur am Verschleiß. Es könnten auch betriebliche Veränderungen sein, wie etwa Veränderungen der Lufttemperatur oder Veränderungen des Strombedarfs aus dem Netz. |
| |
Dadurch ändert sich der Betriebsmodus des Geräts. Wir wollen nun zwischen Betriebsmodi und Degradation unterscheiden. Das bedeutet, dass wir zunächst wissen müssen, was der Betriebsmodus ist. |
| |
Nehmen wir an, für eine |
| |
Windturbine, wir haben Rotor, |
| |
Langsamlaufende Welle, wir haben Getriebe, Generator und einen Transformator. |
| |
Es ist ein komplexes System; wir zerlegen es in kleinere Unterkomponenten. |
| |
Hydraulik, |
| |
Schmierung, Kühlung und so weiter. Der Input für den Prozess ist Wind, der Output ist Strom. Betrachten wir also die Leistungskurve in der Windenergiebranche. |
| |
Auf der X-Achse ist die Windenergie, also die Windgeschwindigkeit, und auf der vertikalen Achse die Leistung dargestellt. Dies ist eine typische Leistungskurve, die zur Analyse von Windkraftanlagen verwendet wird. Wie wir sehen, handelt es sich um ein komplexes System. Bei vier Metern pro Sekunde |
| |
Das System beginnt zu arbeiten. Zuvor befindet es sich im Leerlauf und wartet auf den Wind. Vier Meter pro Sekunde sind die Mindestwindgeschwindigkeit, die es erreichen kann. |
| |
So langsam beginnt es, Strom zu erzeugen. Über 12 wird es stark, daher müssen sie die Menge an Energie reduzieren, die sie aus dem Wind gewinnen, und das geschieht durch die Veränderung des Rotorblattwinkels. |
| |
Bei Geschwindigkeiten über 25 Metern pro Sekunde ist der Betrieb des Geräts unsicher und es wird abgeschaltet. |
| |
Wir haben jetzt eine Live-Demo, |
| |
Und |
| |
Wir werden die Leistungskurve erstellen. |
| |
Also |
| |
Windgeschwindigkeit im Verhältnis zur Leistung. Wie wir an der Kontur sehen können, liegt die höchste Konzentration im Leerlauf und bei niedriger Windgeschwindigkeit. Dies ist also das Windregime im System. |
| |
Und je schneller der Wind, desto stärker wird er, desto mehr Strom wird produziert. Wird er zu stark, wird er abgeschaltet. Wir können die Histogramme sehen. Wenn Sie wissen möchten, wie man es macht |
| |
JMP, es wäre ganz einfach. Wenn die Geschwindigkeit als X-Faktor und die Leistung für Y, gruppieren sie nach |
| |
Turbinen. |
| |
Kommen wir also zurück zur Präsentation. |
| |
Jetzt beginnen wir mit der Datenanalyse. Zuerst führen wir eine univariate Analyse durch, bei der wir die Hauptparameter analysieren, beispielsweise die Windgeschwindigkeit. |
| |
Sie würden die vorhandene Literatur und das vorhandene technische Wissen untersuchen, um herauszufinden, ob es ein mathematisches und statistisches Modell zur Beschreibung des Windes gibt. |
| |
Und es gibt eine, und die Windverteilung entspricht in der Regel dem Weibull-Modell. Vergleichen wir also den Wind mit dem Weibull-Modell, sehen wir, dass er sehr nahe beieinander liegt. |
| |
Allerdings gibt es zwischen den verschiedenen Turbinen einige geringfügige Unterschiede, sodass ein wenig Spielraum, eine Möglichkeit zur Optimierung der Forschung besteht. |
| |
Turbine 9 ist also anders als Turbine 6, daher ist der Wind von 6 und 9 unterschiedlich. Es könnte also an Interferenzen oder Wechselwirkungen zwischen diesen Turbinen liegen, was in Ordnung ist. So etwas kommt in der Branche vor. |
| |
Und es ist eine Optimierungsmöglichkeit, diesen Sog zu reduzieren, und es ist ein großes, bekanntes Thema in der Branche. |
| |
Nach der univariaten Analyse gehen wir zur typischen Datenwissenschaft über |
| |
Vorverarbeitung. Fehlende Werte – gibt es Nullen? Bedeuten die Nullen wirklich Null oder sind es fehlende Werte? Wir kümmern uns darum; das ist nicht Thema dieses Vortrags. Ausreißer – wir werden kurz darüber sprechen. |
| |
Also |
| |
In meinen Projekten entfernen wir alle physikalisch nicht möglichen Werte. Wenn beispielsweise die Lufttemperatur 100 Grad beträgt, wissen wir, dass wir keine 100 Grad haben, also entfernen wir sie. Die anderen Daten würden wir jedoch nicht nach eigenem Ermessen ändern, deshalb behalten wir sie weitgehend bei. |
| |
Und Datum/Zeit-Konvergenz. Wir führen einige Datum/Zeit-Konvertierungen durch, um sie in das JMP-Format zu integrieren. Diese sind also weitgehend ein Standard. Eine Methode der Univeriat, |
| |
Die multivariate Ausreißeranalyse ist Mahalanobis und wird von JMP gut unterstützt. Wir werden sie uns ansehen. Wenn wir also vier Parameter haben, erzeugen wir eine Ausgabe |
| |
Und wir schauen uns das hier an. Mahalanobis und das sind die Ausreißer. Wir werden diese Ausreißer nicht entfernen, aber sie sind die Schwerpunkte, auf die wir uns konzentrieren werden. Für die Live-Demo: |
| |
mit |
| |
Mit Graph Builder können wir sie einfach gegenüber dem Mahalanobis darstellen und verschiedene Turbinen überprüfen. |
| |
Hier haben wir beispielsweise eine kleine Spitze. Sie liegt über den oberen Kontrollgrenzen und ist somit ein Ausreißer. Wir überprüfen, was passiert ist. Sie können die Parameter und ihre Änderung sehen. |
| |
Um diese Mahalanobis-Distanz zu erzeugen, können wir die multivariaten Funktionen von JMP nutzen, |
| |
Produktion |
| |
unter Ausreißeranalyse, Mahalanobis, und speichern Sie sie dann in den Daten. |
| |
Kommen wir also zurück zur Präsentation. |
| |
Nachdem wir die Vorverarbeitung abgeschlossen haben, |
| |
Wir beginnen mit der Datenermittlung. Wir möchten sehen, was die Daten uns sagen. Deshalb habe ich kurz die Leistungskurve erläutert und erklärt, wie der Datenfluss funktionierte. Formalisieren wir das Ganze etwas. |
| |
Zu Beginn ist Leerlauf, also Warten auf stärkeren Wind. Also, es weht etwas Wind. Wir starten. Die Drehzahl steigt, es weht mehr Wind. |
| |
Wir schließen uns an das Netz an, das heißt, die Turbine wird mit dem Generator verbunden. Der Generator hat nun genügend Drehzahl, wird an das Netz angeschlossen und erzeugt Strom. |
| |
Die Windgeschwindigkeit nimmt zu. Wir produzieren zwar eine gute Menge Strom, aber nicht das Maximum. Wenn der Wind stärker wird, erreichen wir das maximale Niveau von |
| |
Stromerzeugung. Wenn der Wind immer stärker wird und zu viel wird, müssen wir die Energie, die wir gewinnen, reduzieren. Wir ernten den Wind, oder wir müssen vielleicht ganz aufhören, weil er zu stark ist. |
| |
Wenn sich die Bedingungen beruhigen und der Wind wieder nachlässt, wechseln wir in den Leerlauf. Es handelt sich also um eine Schleife, ein Flussdiagramm. Jetzt schauen wir uns die Daten an. |
| |
Hier ist also ein dreidimensionaler Datenparkmodus: Wir warten im Leerlauf. Wir warten, parken, wir sind nicht in Betrieb. |
| |
Rotor nimmt Geschwindigkeit auf und produziert minimalen Strom. Das ist die Verbindung, die unterbewertete |
| |
und bewertet. Und wenn es zu stark wird, dann würden sie wieder zu diesem Parkplatz gehen und den Betrieb abschalten. Was wir hier also haben, ist Clustering |
| |
und vergleichen AICs. Wenn wir also einen Cluster oder zwei oder drei haben, vergleichen wir die Cluster... die Ergebnisse des Clusterings und ermitteln die Anzahl der Cluster, die die |
| |
Das Beste … ich kann nicht sagen, das Beste … der minimale Fehler, während die Zahl nicht zu hoch ist. Sehen wir es uns also in Aktion an, wie es funktionieren würde. |
| |
Wir führen also Clustering durch und clustern bis zu 10. Ich wollte die Präsentation nicht zu lange dauern lassen. Es dauert etwa 10 bis 15 Sekunden. Wir finden also die Cluster in Turbine 1. |
| |
Also |
| |
Jeder Cluster ist im Wesentlichen die Konzentration von |
| |
Betriebsmodi, damit wir wissen, wie diese Turbine funktioniert. Wir haben also den AIC im Vergleich zur Anzahl der Cluster. |
| |
Ich würde |
| |
Zeichnen Sie das Diagramm |
| |
AIC im Vergleich zur Anzahl der Cluster. |
| |
Es läuft also nicht so reibungslos, wie es sollte, da ich eine Reihe von Iterationen und Tools verwendet und es schnell gemacht habe. Die Produktion und die eigentliche Arbeit würden jedoch länger dauern. |
| |
Wie wir also bei 6, 7 und 8 sehen können, handelt es sich um eine gute Anzahl von Clustern, während der Fehler gesunken ist. Der Fehler wird geringfügig weiter sinken |
| |
Wenn wir jedoch mit mehr Clustern fortfahren, würde dies die Komplexität erhöhen, und wenn wir sie zu stark erhöhen, könnte es zu einer Überanpassung kommen. |
| |
Also |
| |
Jetzt |
| |
wir planen sie. |
| |
Dies gilt für Turbine 1. Wenn wir sie aufzeichnen, können wir sehen, dass es einige Übergänge gibt, und zwar dann, wenn wir von starkem Wind zum Parken wechseln, weil der Wind zu stark ist. |
| |
Kommen wir also zurück zur Präsentation. |
| |
Wie viele Cluster sind nun die richtige Anzahl? Wenn es also einen Cluster gibt, ist alles eine Gruppe, okay. Das ist nicht unser Problem. |
| |
Bei zwei Clustern erkennt der Algorithmus diese Gruppe. Wir nennen das Leerlauf, also Warten. Bei drei Clustern parkt der Rotor, nimmt Fahrt auf und läuft, also erkennt der Algorithmus diese drei. |
| |
Wenn wir uns sechs, sieben oder acht ansehen, ergibt das am meisten Sinn. Ich habe sechs ausgewählt, das ist eine kleine Zahl für diese Präsentation. Ein Betriebsingenieur könnte mehr auswählen, acht oder neun. |
| |
Also eine Live-Demo, und diese haben wir bereits gesehen. |
| |
hierarchisch, K-Mean und normal. Für Industrieprojekte verwende ich normalerweise normale Mischungen. |
| |
Für Geschäftsprojekte wäre eine hierarchische Vorgehensweise durchaus sinnvoll, da sie eine gute Aufschlüsselung der Logik ermöglicht. K-Mean ist rechenintensiv und würde bei großen Datensätzen zu viel Zeit in Anspruch nehmen. |
| |
Bei normaler Mischung wird angenommen, dass die Cluster unter Normalverteilung konvex sind, das heißt, sie haben nur einen Peak. Und das ist durchaus der Fall. |
| |
Wenn wir einen Betriebsmodus haben, wird dieser normalerweise innerhalb dieses Betriebsmodus innerhalb eines Zentrums betrieben, so dass eine normale Mischung eine sichere |
| |
Algorithmus, der für die Clusterbildung verwendet werden soll. |
| |
Kommen wir nun zur Zustandsüberwachung. Wir haben die gesamte Clusterung durchgeführt, okay? Was machen wir damit? |
| |
Lassen Sie uns darüber sprechen, was sie hier überwachen werden. |
| |
Da die Zahnräder im Getriebe arbeiten, gibt es einen Berührungspunkt im Getriebe. Durch Verschleiß kann sich dieser Berührungspunkt mit der Zeit verschieben. Das ist es, was wir herausfinden wollen. Allerdings |
| |
Wenn die ventrale Linie stark beansprucht wird und ein hohes Drehmoment auf sie einwirkt, kann der Berührungspunkt anders sein als bei einem nicht so starken Drehmoment und |
| |
der Wind nicht so stark ist. Das bedeutet also wieder den Betriebsmodus. Wir wollen diese Berührungspunkte also innerhalb eines Betriebsmodus vergleichen, nicht wenn die Betriebsmodi zu unterschiedlich sind. Daher |
| |
Zur Überwachung können wir eine einfache lineare Regression verwenden. |
| |
Eine lineare Regression |
| |
basierend auf verschiedenen Betriebsarten. Für den Netzanschluss, |
| |
R² beträgt 99,6 %. Wir sehen, das ist eine gute Näherung. Es ist eine schöne Regressionsgerade. |
| |
99,993. Das ist ein gutes R-Quadrat, also verwenden wir dieses. |
| |
Für den Nennbetrieb gilt: |
| |
Wir haben kein gutes R-Quadrat erhalten, daher schließen wir es aus. Praktisch werden wir also für diesen Betriebsmodus diejenigen zusammenstellen, die uns ein gutes R-Quadrat für die von uns durchgeführte Analyse liefern. Nun zurück zur Demo. |
| |
Dies ist im Grunde die klassische lineare Regression. Sie erfolgte innerhalb weniger Sekunden. Wie wir sehen, gibt es 521.000 Datensätze und es dauerte nur zwei bis drei Sekunden – eine hervorragende Leistung. |
| |
Dies sind also die Betriebsmodi, die wir auswählen werden. Schauen wir uns das Ganze noch einmal an, um sicherzustellen, dass wir die richtigen Werte ausgewählt haben. |
| |
Indem wir Y durch X anpassen, zeichnen wir die Dichtekonturen. Wir möchten hier sehen, dass die Regressionslinie durch die Mittelpunkte der Dichte verläuft, und das ist tatsächlich so. Eine schöne Linie. |
| |
Es wird ihm entgehen, und wir haben uns entschieden, diesen Leerlauf nicht zu verwenden. |
| |
Es ist eine schöne Regressionslinie. |
| |
Für die Nennproduktion fehlen die Dichtepunkte, daher werden wir diesen nicht verwenden. |
| |
Es hat unsere Beobachtung bezüglich R² stark bestätigt. |
| |
Das haben wir also gemacht. Was kommt als Nächstes? |
| |
Wir zeichnen die Residuen. Residuen von Turbinen. |
| |
Und wir würden die Residuen analysieren, wenn sie steigen. Machen wir also eine Live-Demo. Das wäre sinnvoll. |
| |
Wir zeichnen also die Residuen für alle fünf Turbinen auf, nur für die ausgewählten Betriebsarten. Leerlauf und Nennbetrieb schließen wir aus. Was passiert, wenn wir die anderen aufzeichnen? Im Leerlauf ist alles vorbei, es bedeutet nichts und sagt uns nichts. |
| |
Dasselbe gilt für die bewertete Produktion. Sie sagt nichts aus, sie sagt nicht viel aus. |
| |
Doch zusammen mit diesem |
| |
Wir sehen, dass die Residuen an bestimmten Daten gestiegen sind. Und wenn wir uns das Reparaturprotokoll ansehen, sehen wir einen schönen, allmählichen Anstieg. Das war eine weitere Reparatur. |
| |
Turbine 11, wir hatten kein Problem mit dem Getriebe. Es hat nie...die |
| |
Die Residuen sind nie gestiegen. |
| |
Und es gab Reparaturen an Turbine 6, das zeigt also möglicherweise, dass einige Probleme aufgetreten sind, aber was war es ... |
| |
auf welcher Ebene ... sagen wir, auf welcher Ebene liegt ein echtes Problem vor. |
| |
Es ist subjektiv. Wir müssen quantifizieren. Wir müssen untersuchen, welches Maß an Residualwert ein Ingenieur benötigt, um bestimmte Maßnahmen zu ergreifen. Und im Moment ist das eine offene Frage in der Industrie, ein offenes Forschungsthema. Es ist jedoch ein Werkzeug für |
| |
Ingenieuren helfen. Kommen wir also zurück zu |
| |
Unsere Präsentation. Die Trends dienen der Überwachung und zeigen, ab welchem Punkt ein Ingenieur eingreifen und das Getriebe öffnen würde. Das ist eine technische Entscheidung. Aus Datensicht unterstützen Sie die Ingenieure jedoch bei der Entscheidungsfindung. |
| |
Zusammenfassend lässt sich sagen, dass ein komplexer Prozess mehrere Betriebsarten hat. Wenn wir überwachen wollen |
| |
Bei der Überwachung eines Geräts müssen wir wissen, welchen Betriebsmodus wir überwachen. Jeder Betriebsmodus hebt einen Teil der Betriebsprozesse hervor. |
| |
Clustering-Methoden können wir zur Isolierung der verschiedenen Betriebsarten nutzen. Zustandsüberwachung, die Betriebsarten zur Erkennung von Verschlechterungen nutzt, wie wir es getan haben. Überwachung von Unterkomponenten |
| |
unter Berücksichtigung physikalischer Gesetze, wie wir sie für das Verhältnis verwenden. Und wenn das System komplex ist und wir es nicht mit einem physikalischen Gesetz beschreiben können, dann würden wir andere Methoden verwenden, wie zum Beispiel |
| |
K-Nächster Nachbar oder das neuronale Netzwerk. Und es steht ziemlich am Ende einer Präsentation. Vielen Dank für Ihre Aufmerksamkeit. |
