| Oratore |
Trascrizione |
| Alan Rezazadeh |
Ciao a tutti, grazie per aver partecipato a questa presentazione. Mi chiamo Alan Rezazadeh e lavoro presso il Southern Alberta Institute of Technology. Il mio ruolo è |
| |
Uno scienziato esperto in analisi della ricerca. Parleremo di analisi industriale e, a titolo di esempio, ci concentreremo maggiormente sulle turbine eoliche e sul loro monitoraggio delle condizioni. |
| |
Ringraziamenti. |
| |
CFREF, Canada First Research Excellent Fund, grazie per avermi consentito di partecipare a questa conferenza. |
| |
EDP Renewable Energy Wind Farm dalla Spagna, grazie per aver condiviso i dati operativi, liberamente accessibili per la ricerca e la formazione. E soprattutto, JMP per aver creato questo fantastico software di analisi statistica. |
| |
Ordine del giorno. Parleremo dell'ambito dell'analisi industriale e di cosa include. |
| |
e come considereremmo le apparecchiature industriali come un processo; preparazione e comprensione dei dati; e definizione dei sottocomponenti; come trovare l'obiettivo nella definizione dei sottocomponenti; e alla fine monitoreremo il degrado e le prestazioni, che è chiamato monitoraggio basato sulle condizioni. |
| |
Quindi, per quanto riguarda l'analisi industriale, abbiamo praticamente tutto incluso. Abbiamo quindi ampie serie temporali di dati provenienti dai sensori, ovvero l'IoT. |
| |
Vogliamo ottimizzare i processi, scoprire nuove conoscenze e prendere decisioni. In sostanza, vogliamo ridurre l'inquinamento, aumentare la produzione di energia pulita, come quella delle turbine eoliche o dei pannelli solari, oppure monitorare lo stato di salute o le condizioni delle apparecchiature industriali. |
| |
Quindi la prima idea è che un macchinario complesso, come un motore a reazione con turbina a gas, sia fondamentalmente un processo. C'è un input e un output. L'input, in questo caso, che è una turbina a gas, è costituito da aria e carburante; l'output è costituito da elettricità e gas di scarico, una sorta di fumi e gas. Quindi lo suddivideremmo. |
| |
Un compressore, una camera di combustione e un generatore di corrente. È il caso più semplice. Quindi ora abbiamo un processo e dei sottocomponenti. Da ora in poi, potrò usare i termini "processo" e "apparecchiatura" in modo intercambiabile, senza che questi termini vengano utilizzati insieme. |
| |
Quindi, fino a che punto ci spingiamo nella scomposizione del processo? Vogliamo scomporlo in sottocomponenti più piccoli e semplici, che possiamo effettivamente descrivere con una formula fisico-matematica, come l'aerodinamica o la termodinamica e così via. |
| |
Quindi i principi primi, da cui una cosa è conosciuta, Aristotele. Quindi li scomponiamo in componenti più piccole. |
| |
E questo è un ciclo di guasto per i motori a reazione o anche per le turbine a gas. Quindi, come possiamo vedere, nel tempo ci saranno dei cambiamenti, delle modifiche, un po' di degrado, se così possiamo definirlo. |
| |
Inoltre, non è solo colpa dell'usura. Potrebbe essere dovuto a cambiamenti operativi, come variazioni della temperatura dell'aria e variazioni del fabbisogno elettrico della rete. |
| |
Di conseguenza, la modalità operativa dell'apparecchiatura cambierà. Quindi ora vogliamo distinguere tra modalità operative e degradazione, il che significa che dobbiamo innanzitutto capire cos'è la modalità operativa. |
| |
Diciamo per un |
| |
turbina eolica, abbiamo il rotore, |
| |
albero lento, abbiamo riduttore, generatore e trasformatore. |
| |
È un sistema complesso: lo scomponiamo in sottocomponenti più piccoli. |
| |
idraulica, |
| |
Lubrificazione, raffreddamento e così via. Quindi l'input del processo è il vento, l'output è l'energia. Quindi, vediamolo, vento contro energia, che è la curva di potenza nel settore dell'energia eolica. Quindi, |
| |
Sull'asse X abbiamo l'energia eolica, la velocità del vento, e sull'asse verticale la potenza. Questa è una tipica curva di potenza utilizzata per l'analisi delle turbine eoliche. Come possiamo vedere, è un sistema complesso. Quindi, a quattro metri al secondo, |
| |
Il sistema inizia a funzionare. Prima, è in modalità inattiva e aspetta che il vento soffi. A quattro metri al secondo, è la velocità minima del vento a cui può funzionare. |
| |
Quindi lentamente inizierà a produrre elettricità. Sopra i 12, diventa più forte, quindi devono ridurre la quantità di energia che raccolgono dal vento, e questo si fa cambiando le pale e l'angolazione delle stesse. |
| |
Oltre i 25 metri al secondo, l'utilizzo dell'apparecchiatura diventa pericoloso e pertanto viene spenta. |
| |
Quindi ora abbiamo una demo live, |
| |
E |
| |
produrremo la curva di potenza. |
| |
COSÌ |
| |
Velocità del vento in funzione della potenza. Come possiamo vedere dal contorno, l'alta concentrazione si verifica in prossimità della modalità di minimo e della minore velocità del vento. Questo è quindi il regime del vento nel sistema. |
| |
E man mano che la velocità del vento aumenta, diventa più forte e viene prodotta più elettricità. Quando diventa troppo forte, viene spento. Possiamo vedere gli istogrammi. Se volete sapere come farlo... |
| |
JMP, sarebbe abbastanza semplice. Quando la velocità come fattore X e la potenza come fattore Y, raggruppandoli per |
| |
turbine. |
| |
Torniamo alla presentazione. |
| |
Ora iniziamo ad analizzare i dati. La prima è l'analisi univariata, quindi analizzeremo i parametri principali, ad esempio la velocità del vento. |
| |
Dovrebbero ricercare nella letteratura esistente e nelle conoscenze ingegneristiche esistenti se esiste un modello matematico e statistico che descriva il vento. |
| |
E ce n'è una, e la distribuzione del vento di solito è conforme alla legge di Weibull. Quindi confronteremmo il vento con la legge di Weibull. Vedremmo che è molto simile. |
| |
Tuttavia, tra le diverse turbine ci sono alcune piccole differenze, quindi c'è una piccola opportunità, un'opportunità di ottimizzazione della ricerca. |
| |
Quindi la turbina 9 è diversa dalla 6, quindi il vento proveniente dalla 6 e dalla 9 è diverso, quindi potrebbe essere dovuto a un'interferenza, a un'interazione tra queste turbine, il che è normale. Succede nell'industria. |
| |
Si tratta di un'opportunità di ottimizzazione per ridurre questa scia ed è un argomento molto noto nel settore. |
| |
Quindi, dopo l'analisi univariata, passiamo alla tipica scienza dei dati |
| |
Pre-elaborazione. Valori mancanti, ci sono degli zeri? Gli zeri significano davvero zero o sono valori mancanti? Quindi ci occupiamo di questi; non è un argomento di questa discussione. Valori anomali, parleremo un po' dei valori anomali. |
| |
COSÌ |
| |
Nei miei progetti, eliminiamo qualsiasi valore che non sia fisicamente possibile. Quindi, se la temperatura... la temperatura dell'aria viene registrata a 100, sapete che non abbiamo 100 gradi, quindi la rimuoviamo. Ma non modificheremmo gli altri dati in base al nostro giudizio, quindi li manteniamo molto. |
| |
E la convergenza data/ora, quindi eseguiamo alcune conversioni data/ora per adattarle al formato JMP. Quindi queste sono in gran parte uno standard. Quindi un metodo univeriate, |
| |
L'analisi multivariata dei valori anomali è Mahalanobis, ed è ben supportata da JMP. La esamineremo. Quindi, in pratica, se abbiamo quattro parametri, produciamo un output. |
| |
E osserviamo questo. Quindi Mahalanobis e questi sono i valori anomali. Non li rimuoveremo, ma questi sono i punti su cui focalizzeremo l'attenzione e che esamineremo. Quindi, per la demo live, |
| |
usando |
| |
Grazie al Graph Builder possiamo facilmente tracciare un grafico in relazione al Mahalanobis e controllare diverse turbine. |
| |
Ad esempio, abbiamo un piccolo picco qui. È al di sopra dei limiti di controllo superiori, quindi è un valore anomalo. Quindi lo controlliamo per vedere cosa è successo e potete vedere i parametri e come sono stati modificati. |
| |
Per produrre questa distanza di Mahalanobis, possiamo utilizzare le funzionalità multivariate di JMP, |
| |
produrre |
| |
mediante l'analisi dei valori anomali, Mahalanobis, e quindi salvandoli nei dati. |
| |
Torniamo alla presentazione. |
| |
Quindi, dopo aver terminato la pre-elaborazione, |
| |
Inizieremo la scoperta dei dati. Vogliamo vedere cosa ci dicono i dati, quindi ho fornito un breve contesto sulla curva di potenza, su come funzionava il flusso. Quindi, formalizziamolo un po'. |
| |
All'inizio è al minimo, quindi aspettiamo un vento più forte. Quindi c'è un po' di vento. Partiamo. La velocità di rotazione aumenta, c'è più vento. |
| |
Ci colleghiamo alla rete, il che significa che la turbina è collegata al generatore. Il generatore ora ha una velocità sufficiente e si collega alla rete per produrre elettricità. |
| |
La velocità del vento aumenta. Stiamo producendo una buona quantità di elettricità, ma non al massimo. Man mano che il vento diventa più forte, raggiungiamo il livello massimo di |
| |
Produzione di elettricità. Man mano che il vento diventa ancora più forte e diventa troppo forte, dobbiamo ridurre l'energia che ricaviamo... raccogliamo dal vento, oppure potremmo voler interrompere completamente perché è troppo forte. |
| |
Quando le condizioni si stabilizzano, il vento torna a calare, passiamo al minimo. Quindi è un ciclo; è un diagramma di flusso. Ora analizziamolo con i dati. |
| |
Ecco quindi una modalità di parcheggio con dati tridimensionali: stiamo aspettando, inattivi. Stiamo aspettando, parcheggiando, non stiamo operando. |
| |
Il rotore aumenta la velocità producendo la minima elettricità. Questo sta collegando la produzione di energia secondaria. |
| |
e valutato. E se diventa troppo forte, allora andrebbero di nuovo in questo parcheggio e spegnerebbero l'operazione. Quindi quello che abbiamo qui è un raggruppamento |
| |
e confrontando gli AIC. Quindi, se abbiamo uno o due o tre cluster, confronteremo il clusterer...i risultati del clustering e prenderemo il numero di cluster che danno il |
| |
Il migliore... non saprei dire il migliore... l'errore minimo, mentre il numero non è troppo alto. Quindi vediamolo in azione, come funzionerebbe. |
| |
Quindi stiamo facendo clustering e clustering fino a 10. Non volevo dilungarmi troppo nella presentazione. Ci vogliono circa 10-15 secondi. Quindi stiamo trovando i cluster all'interno della Turbina 1. |
| |
COSÌ |
| |
ogni cluster è fondamentalmente la concentrazione di |
| |
modalità operative, quindi sapremmo come funziona questa turbina. Quindi abbiamo l'AIC in funzione del numero di cluster. |
| |
Vorrei |
| |
tracciare il grafico |
| |
AIC rispetto al numero di cluster. |
| |
Quindi non è fluido come dovrebbe, perché ho utilizzato diverse iterazioni e strumenti e l'ho reso veloce. Tuttavia, per la produzione e per il lavoro vero e proprio, ci vorrebbe più tempo. |
| |
Quindi, come possiamo vedere nei punti 6, 7 e 8, c'è un buon numero di cluster, mentre l'errore è diminuito. L'errore diminuirà marginalmente. |
| |
se però continuiamo con più cluster, la complessità aumenterà ulteriormente e, se aumenteremo troppo, potrebbe verificarsi un overfitting. |
| |
COSÌ |
| |
Ora |
| |
li tracciamo. |
| |
Quindi questo vale per la turbina 1 e, mentre tracciamo il grafico, possiamo vedere che ci sono alcune transizioni e questo accade quando passiamo da vento forte a sosta perché il vento è troppo forte. |
| |
Torniamo alla presentazione. |
| |
Ora, quanti cluster sono il numero giusto? Quindi, se c'è un cluster, tutto è un gruppo, ok. Non è un nostro problema. |
| |
Se ci sono due cluster, possiamo vedere che l'algoritmo sta selezionando questo gruppo qui. Lo chiamiamo "idling", ovvero in attesa. Oppure, se ci sono tre cluster, è in fase di parcheggio, il rotore aumenta la velocità e le operazioni, quindi l'algoritmo seleziona questi tre. |
| |
Se consideriamo sei, sette o otto, hanno più senso. Io ne ho scelti sei, è un numero esiguo per questa presentazione. Un ingegnere operativo potrebbe sceglierne di più, otto o nove. |
| |
Quindi una demo live, questa l'abbiamo già vista. |
| |
gerarchica, K-mean e normale. Per i progetti industriali, di solito utilizzo miscele normali. |
| |
Per i progetti aziendali, la struttura gerarchica sarebbe piuttosto sensata, perché fornisce una buona scomposizione della logica. K-mean è un metodo computazionalmente impegnativo e su grandi set di dati sarebbe troppo dispendioso in termini di tempo. |
| |
Quindi, l'ipotesi con la miscela normale è che i cluster siano convessi rispetto alla distribuzione normale, il che significa che hanno un solo picco. Ed è proprio così. |
| |
Nel...quando abbiamo una modalità operativa, di solito opera all'interno di quella modalità operativa all'interno di un centro, quindi la miscela normale è sicura |
| |
algoritmo da utilizzare per il clustering. |
| |
Ora, passiamo al monitoraggio delle condizioni. Abbiamo fatto tutto il clustering, ok. Cosa ne stiamo facendo? |
| |
Parliamo di cosa monitoreranno qui. |
| |
Durante il funzionamento degli ingranaggi del cambio, c'è un punto di contatto nel cambio stesso. A causa dell'usura, questo punto di contatto potrebbe spostarsi nel tempo. È questo che vogliamo trovare. Tuttavia, |
| |
se la linea ventrale sta lavorando duramente e c'è così tanta coppia in essa, il punto di contatto potrebbe essere diverso rispetto a quando la coppia non è così forte e |
| |
Il vento non è così forte. Quindi, di nuovo, questo significa modalità operativa. Vogliamo confrontare questi punti di contatto all'interno di una modalità operativa, non quando le modalità operative sono troppo diverse tra loro. Quindi, per questo |
| |
monitoraggio, possiamo utilizzare una semplice regressione lineare. |
| |
Quindi facendo una regressione lineare |
| |
in base a diverse modalità operative. Quindi, per la connessione alla rete, |
| |
R quadrato è del 99,6%. Possiamo vedere che è una buona approssimazione. È una buona retta di regressione. |
| |
99,993. È un buon R quadrato, quindi useremo questo. |
| |
Per operazioni nominali, |
| |
Non abbiamo ottenuto un buon R quadrato, quindi lo escludiamo. Quindi, in pratica, metteremo insieme i dati per questa modalità operativa che ci forniscono un buon R quadrato per l'analisi che vogliamo fare. Ora torniamo alla demo. |
| |
Questa è fondamentalmente la vecchia regressione lineare. È avvenuta in pochi secondi. Come possiamo vedere, ci sono 521.000 record e sono bastati solo due o tre secondi, quindi la performance è eccellente. |
| |
Quindi queste sono le modalità operative che selezioneremo. Diamo un'altra occhiata per confermare di aver scelto i valori corretti. |
| |
Adattando Y per X, tracceremmo i contorni della densità. Quindi, quello che ci interessa vedere qui è la retta di regressione che passa per i centri della densità, e questa è passante. È un bel risultato. |
| |
Ne sentirà la mancanza, ed è proprio questa modalità di funzionamento al minimo che abbiamo scelto di non utilizzare. |
| |
È una bella linea di regressione. |
| |
Per la produzione nominale mancano i punti di densità, quindi non lo useremo. |
| |
È ampiamente confermata l'osservazione che avevamo fatto con R quadrato. |
| |
Quindi l'abbiamo fatto. Cosa succederà adesso? |
| |
Disegniamo i residui. Residui delle turbine. |
| |
E analizzeremmo i residui quando aumentano. Quindi facciamo una dimostrazione dal vivo. Avrebbe senso. |
| |
Stiamo quindi tracciando i residui per tutte e cinque le turbine, solo per le modalità operative selezionate. Quindi, escludiamo il minimo e la potenza nominale. Cosa succede se tracciamo anche le altre? Per il minimo, è tutto finito, non significa nulla, non ci dice nulla. |
| |
Stessa cosa con la produzione nominale. Non dice niente, non dice molto. |
| |
Tuttavia, con questo insieme, |
| |
Possiamo vedere che i residui sono aumentati in alcune date specifiche. E in effetti, se guardiamo il registro delle riparazioni, questa era una riparazione, quella era un'altra riparazione e vediamo un piacevole aumento graduale. Quella era un'altra riparazione. |
| |
Turbina 11, non abbiamo avuto problemi con il cambio. Non è mai...il |
| |
i residui non sono mai aumentati. |
| |
E c'erano delle riparazioni sulla Turbina 6, quindi questo potrebbe mostrare alcuni problemi che si sono verificati, ma di cosa si trattava... |
| |
a quale livello...diciamo a quale livello di residuo si verifica un vero problema. |
| |
È soggettivo. Dobbiamo quantificare. Dobbiamo valutare il livello di residuo di cui un ingegnere ha bisogno per intraprendere determinate azioni. E al momento è una questione aperta, soprattutto nell'industria, un argomento aperto per la ricerca. Tuttavia, è uno strumento utilizzato per |
| |
aiutare gli ingegneri. Quindi tornando a |
| |
La nostra presentazione. Quindi, i trend servono per il monitoraggio e per stabilire a quale livello un ingegnere interverrebbe e interferirebbe effettivamente, aprendo il cambio. Questa è una decisione ingegneristica. Tuttavia, dal punto di vista dei dati, stai aiutando gli ingegneri a prendere decisioni. |
| |
In sintesi, un processo complesso ha molteplici modalità operative. Quando vogliamo monitorare |
| |
un dispositivo, dobbiamo sapere quale modalità operativa monitoreremo. Ogni modalità operativa evidenzia una parte dei processi operativi. |
| |
Metodi di clustering, che possiamo utilizzare per isolare le diverse modalità operative. Monitoraggio delle condizioni, utilizzando le modalità operative per rilevare il degrado, come abbiamo fatto. Monitoraggio dei sottocomponenti. |
| |
in considerazione delle leggi fisiche, come quelle che usiamo per il rapporto. E se il sistema è complesso e non possiamo descriverlo con una sola legge fisica, allora useremo altri metodi, come |
| |
K-nearest neighbor o rete neurale. E questo è decisamente il finale di una presentazione, e grazie per l'attenzione. |
