756816_ja-JP

liliconcom

産業分析：JMPを使用した風力タービンの状態監視と予防保守（2021-US-30MP-867）

アラン・レザザデ、南アルバータ工科大学分析研究科学者

大規模なセンサーデータセットを用いた状態基準監視（CBM）には、産業プロセスにおける長期的な緩やかな変化を検知するという、複雑かつ特殊な機能が必要です。SCADA（監視制御データ収集システム）を用いたCBMの適用は、機器の緩やかな劣化を検知し、機器の修理に最適な時期を特定するための新たなビッグデータ分析手法であり、予防保守の枠組みにも含まれています。

JMPは、風力タービンの状態監視に活用できる豊富な統計ツールと機械学習ツールを提供しています。不安定で不安定な風力エネルギーを高度に制御された電力に変換する風力タービンは、多くのパラメータ、サブコンポーネント、相互作用を伴う多変量プロセスであり、運用における微妙な変化を検知するには高度な分析能力が求められます。本稿では、JMPを用いて風力タービンのベアリング温度予測モデルを構築します。予測値と実績値を比較した後、残差を用いて状態監視を行います。予測モデルから得られた残差は、JMPのプロセス制御手法の中で風力タービンの劣化を定量化し、意思決定と監視に活用します。また、PCA、クラスタリング、ニューラルネットワーク、非正規分布といった高度な統計ツールを、風力発電所におけるデータマイニングとプロセス制御に適用することも可能です。

自動生成されたトランスクリプト...

スピーカー	トランスクリプト
アラン・レザザデ	皆さん、こんにちは。このプレゼンテーションにご参加いただきありがとうございます。私はアラン・レザザデです。南アルバータ工科大学に勤務しています。
	リサーチ・アナリティクス・サイエンティストです。産業分析についてお話ししますが、例として風力タービンとその状態監視に焦点を当てたいと思います。
	謝辞。
	CFREF（カナダ第一研究優秀基金）様、この会議への参加を許可していただきありがとうございました。
	スペインのEDP再生可能エネルギー風力発電所様、研究・教育に無料で利用可能な運用データを共有していただき、誠にありがとうございます。そして何よりも、この素晴らしい統計的発見ソフトウェアを開発していただいたJMPに感謝いたします。
	アジェンダ：産業分析の範囲、産業分析に含まれるものについてお話しします。
	産業機器をプロセスとしてどのように捉えるか、データの準備と理解、サブコンポーネントの定義、サブコンポーネントの定義における目標の見つけ方、そして最後に状態ベースモニタリングと呼ばれる劣化とパフォーマンスの監視について説明します。
	産業分析の範囲には、ほぼあらゆるものが含まれています。IoTであるセンサーから送られてくる膨大な時系列データも扱っています。
	そして、プロセスの最適化、知識の発見、意思決定を行いたいと考えています。基本的には、汚染を減らし、風力タービンや太陽光パネルからの電力などの生産量を増やし、産業機器の健全性や状態を監視したいと考えています。
	最初のアイデアは、ガスタービンジェットエンジンのような複雑な機械は基本的にプロセスであるというものです。入力と出力があります。この場合の入力、つまりガスタービンは空気と燃料であり、出力は電気と排気、つまり何らかの煙やガスです。これを分解すると、
	圧縮機、燃焼室、発電機です。これは最も単純なケースです。これでプロセスとサブコンポーネントができました。今後は、プロセスと装置という用語を、これらをまとめて同じ意味で使うかもしれません。
	では、プロセスをどこまで細分化すればいいのでしょうか？空気力学や熱力学といった物理法則で実際に説明できる、より小さく単純なサブコンポーネントに分解したいと考えています。
	アリストテレスは、物事が認識される基礎となる第一原理を説いています。つまり、私たちはそれをより小さな構成要素に分解しているのです。
	これはジェットエンジンやガスタービンの故障サイクルです。ご覧の通り、時間の経過とともに、何らかの変化、何らかの改造、そしていわゆる劣化が起こります。
	また、摩耗や劣化だけが原因ではありません。運用上の変更によって気温が変化すれば、電力網からの電力需要も変化するでしょう。
	その結果、機器の動作モードが変化します。そこで、動作モードと劣化を区別したいと考えており、まず動作モードとは何かを理解する必要があります。
	例えば、
	風力タービンにはローターがあり、
	低速シャフト、ギアボックス、発電機、変圧器があります。
	これは複雑なシステムなので、小さなサブコンポーネントに分割します。
	油圧、
	潤滑、冷却などです。つまり、プロセスへの入力は風力で、出力は電力です。それでは、風力と電力の関係を見てみましょう。これは風力エネルギー産業における電力曲線です。
	X軸は風力エネルギー、つまり風速、そして縦軸は出力です。これは風力タービンの解析に用いられる典型的な出力曲線です。ご覧の通り、これは複雑なシステムです。秒速4メートルでは、
	システムが作動を開始します。それまではアイドルモードで風が吹くのを待っています。秒速4メートルはシステムが作動できる最低風速です。
	ゆっくりと発電が始まります。12度を超えると風が強くなるため、風から得られるエネルギーの量を減らす必要があります。これは、ブレードの角度を変えることで行います。
	風速が秒速25メートルを超えると、機器の操作が安全ではなくなるため、電源が切れます。
	ライブデモが始まりました。
	そして
	パワーカーブを作成します。
	それで
	風速と電力の関係です。等高線からわかるように、アイドリングモード付近と低風速付近で集中度が高くなっています。これがシステム内の風況です。
	風速が速まるにつれて風力は強くなり、発電量も増加します。強すぎる場合は停止します。ヒストグラムで確認できます。作り方を知りたい方は
	JMPなら、かなりシンプルです。速度をX因子、検出力をY因子としてグループ化すると、
	タービン。
	さて、プレゼンテーションに戻りましょう。
	いよいよデータの分析を始めます。まずは単変量解析で、主要なパラメータ、例えば風速を分析します。
	彼らは、風を記述する数学的および統計的モデルが存在するかどうかについて、既存の文献と既存の工学的知識を調査するでしょう。
	一つあります。風の分布は通常ワイブル分布に従います。ですから、風の分布をワイブル分布と比較すると、非常に近いことがわかります。
	ただし、異なるタービン間では若干の微妙な違いがあるため、最適化の機会を研究する機会が少しあります。
	9号機と6号機は風向が異なり、風力も異なります。そのため、これらのタービン間の干渉や相互作用が原因である可能性がありますが、これは問題ありません。業界ではよくあることです。
	そして、この航跡を減らすことは最適化の機会であり、業界内ではよく知られた大きな話題です。
	単変量解析の後は典型的なデータサイエンスに進みます
	前処理。欠損値、ゼロは存在しますか？ゼロは本当にゼロを意味するのか、それとも欠損値なのか？これらについては処理しますが、今回の講演のテーマではありません。外れ値については、後で少し触れます。
	それで
	私のプロジェクトでは、物理的に不可能な値はすべて削除します。例えば、気温が100度と記録されている場合、100度ではないことは分かっているので、その値は削除します。しかし、その他のデータは独自の判断で変更することはないので、しっかりと保持しています。
	日付と時刻の収束については、JMP形式に合うように日付と時刻の変換を行います。これらは非常に標準的なものです。ユニバーシティ化の1つの方法は、
	多変量外れ値分析はマハラノビス分析と呼ばれ、JMPでサポートされているので、ここで見ていきましょう。つまり、4つのパラメータがある場合、1つの出力が生成されます。
	これを見てみましょう。マハラノビスの外れ値です。これらの外れ値を除去するわけではありませんが、これらが焦点となり、注目する点です。ライブデモでは、
	使用して
	グラフ ビルダーを使用すると、マハラノビスに対して簡単にプロットし、さまざまなタービンをチェックできます。
	例えば、ここに小さなスパイクが1つあります。これは管理限界を超えているので外れ値です。そこで、何が起こったのかを確認するために確認すると、パラメータがどのように変化したかがわかります。
	このマハラノビス距離を生成するために、JMPの多変量機能を使うことができる。
	生産
	外れ値分析、マハラノビスに基づいて、それらをデータに保存します。
	さて、プレゼンテーションに戻りましょう。
	前処理が終わったら、
	データディスカバリーを始めます。データが何を伝えているのかを確認したいので、パワーカーブとフローの仕組みについて少し背景を説明しました。それでは、少し整理してみましょう。
	最初はアイドリング状態で、風が強くなるのを待ちます。風が少しあるので、始動します。回転速度が上がり、風が強くなります。
	送電網に接続します。つまり、タービンが発電機に接続されるということです。発電機は十分な速度に達し、送電網に接続されて発電します。
	風速が上昇しています。十分な量の電力を生産していますが、まだ最大ではありません。風が強くなるにつれて、最大レベルに達します。
	発電。風がさらに強くなり、過剰になると、得られるエネルギーを減らさなければなりません。風からエネルギーを収穫するか、強すぎる場合は完全に停止することもあります。
	状況が落ち着き、風が再び弱まると、アイドリング状態になります。これはループ、つまりフローチャートです。それではデータを使って計算してみましょう。
	こちらは3次元データ駐車モードです。待機中、アイドリング状態です。待機中、駐車中、運転中ではありません。
	ローターが加速し、最小限の電力を生成。これが定格電力を生成する接続です。
	そして評価されます。そしてもし風が強くなりすぎたら、彼らは再びこの駐車場に行き、運転を停止します。つまり、ここにはクラスタリングがあります
	AICを比較します。クラスターが1つ、2つ、3つある場合は、クラスターを比較し、クラスタリングの結果を比較して、
	最高…最高とは言えませんが…誤差は最小限で、数値もそれほど高くありません。それでは、実際にどのように動作するか見てみましょう。
	クラスタリングを行っています。最大10までクラスタリングしています。プレゼンテーションの中であまり長く説明したくないので、10～15秒程度で終わります。タービン1内でクラスターを見つけています。
	それで
	各クラスターは基本的に
	動作モードが分かれば、このタービンがどのように動作しているかが分かります。そこで、AICとクラスター数の関係を見てみましょう。
	私は...するだろう
	グラフをプロットする
	AIC とクラスター数の関係。
	複数のイテレーションとツールを使って高速化したため、思ったほどスムーズではありません。しかし、制作や実際の作業にはもっと時間がかかるでしょう。
	6、7、8を見ると、クラスターの数は十分であり、誤差も減少していることがわかります。誤差はさらにわずかに減少するでしょう。
	ただし、クラスターを増やし続けると複雑さが増し、増やしすぎると過剰適合になる可能性があります。
	それで
	今
	それらをプロットします。
	これはタービン 1 のものですが、これをプロットすると、いくつかの遷移があり、風が強すぎるために強風から停止に変わっていることがわかります。
	さて、プレゼンテーションに戻りましょう。
	さて、クラスターの数はいくつが適切でしょうか？クラスターが1つであれば、すべてが1つのグループになります。これは私たちの問題ではありません。
	クラスターが2つある場合、アルゴリズムがこのグループを拾っていることがわかります。これはアイドリング、つまり待機状態です。クラスターが3つある場合は、パーキング状態、ローターが速度を上げて操作している状態なので、アルゴリズムはこの3つを拾います。
	6、7、8個くらいに絞ると、最も理にかなっています。今回のプレゼンテーションでは少ないので6個にしましたが、運用エンジニアならもっと多く、8個や9個にするかもしれません。
	ライブデモですが、これはすでにご覧になりました。
	階層的、K平均法、正規分布。産業プロジェクトでは、通常、正規分布の混合を使用します。
	ビジネスプロジェクトでは、階層構造はロジックをわかりやすく説明してくれるため、非常に理にかなっています。K平均法は計算量が多く、大規模なデータセットでは時間がかかりすぎます。
	正規混合の仮定では、クラスターは正規分布の下で凸型であり、つまりピークは1つしかないということになります。そして、まさにその通りです。
	一つの動作モードの場合、通常は一つのセンター内でその動作モード内で動作しますので、通常の混合は安全です
	クラスタリングに使用するアルゴリズム。
	さて、状態監視に移りましょう。クラスタリングはすべて完了しました。それでは、これらを使って何をするのでしょうか？
	ここで何を監視するのかについて話しましょう。
	ギアボックス内のギアが作動すると、ギアボックスに接触点が生じます。摩耗により、この接触点は時間の経過とともに変化する可能性があります。私たちが求めているのはまさにそれです。しかし、
	腹側のラインが強く働いていて、そこに大きなトルクがかかっている場合、接触点はトルクがそれほど強くないときとは異なる場合があります。
	風はそれほど強くありません。つまり、これは運用モードのことです。ですから、このタッチポイントを、運用モードが互いに大きく異なる場合ではなく、同じ運用モード内で比較したいのです。
	監視には単純な線形回帰を使用できます。
	線形回帰を行うと
	異なる動作モードに基づいている。つまり、系統連系の場合、
	R二乗は99.6%です。良好な近似値であることがわかります。回帰直線も良好です。
	99.993。R2乗としては良好な値なので、これを使います。
	定格運転の場合、
	良い決定係数が得られなかったので、除外します。つまり、この操作モードのために、行いたい分析で良い決定係数が得られるものを組み合わせます。それではデモに戻りましょう。
	これは基本的に従来の線形回帰です。わずか数秒で完了しました。ご覧のとおり、521,000件のレコードがあり、わずか2～3秒で完了しました。これは優れたパフォーマンスです。
	これらがこれから選択する動作モードです。もう一度確認して、正しい値を選択していることを確認しましょう。
	YをXでフィッティングすると、密度等高線がプロットされます。ここで確認したいのは、回帰直線が密度の中心を通ることです。これは通過しています。いいですね。
	それは見逃すことになるでしょう、そしてそれは私たちが使わないことを選択したアイドリングです。
	素晴らしい回帰直線ですね。
	定格生産の場合、密度ポイントが欠落しているため、これを使用しません。
	これは、R 平方に関して私たちが行っていた観察を非常によく裏付けています。
	ということで、これをやりました。次は何が起こるでしょうか？
	残差を描きます。タービンの残差です。
	そして、残差が増加しているときに残差を分析します。それではライブデモを見てみましょう。分かりやすいでしょう。
	5基のタービンすべてについて、選択した運転モードのみの残差をプロットしています。アイドリングと定格出力は除外しています。他の運転モードでプロットするとどうなるでしょうか？アイドリングでは、何も意味がなく、何も示唆していません。
	定格の作品でも同じです。何も語られていません。あまり語られていません。
	しかし、これらを組み合わせることで、
	特定の日付で残余が増加しているのがわかります。実際、修理のログを見ると、これは1回の修理、あ​​れは別の修理で、ここには緩やかな増加が見られます。あれはもう1回の修理でした。
	タービン11ではギアボックスに問題はありませんでした。
	残差は増加しませんでした。
	そして、タービン 6 に修理があったので、何か問題が発生したことが示されているかもしれませんが、それは何だったのでしょうか...
	どの程度の残留量が実際に問題となるのか、ということです。
	それは主観的なものです。定量化する必要があります。エンジニアが何らかの行動をとるには、どの程度の残余が必要かを検討する必要があります。そして現時点では、これは産業界において未解決の問題であり、研究の課題となっています。しかし、これはツールとして使われています。
	エンジニアを支援することです。
	プレゼンテーションで紹介したトレンドは、モニタリングのためのもので、エンジニアがどのレベルで実際に介入してギアボックスを開くかを判断するためのものです。これはエンジニアリング上の判断です。しかし、データの観点から見ると、エンジニアの意思決定を支援していることになります。
	要約すると、複雑なプロセスには複数の動作モードがあります。監視したい場合、
	デバイスを監視するには、どの動作モードを監視するかを把握する必要があります。各動作モードは、動作プロセスの一部に焦点を当てています。
	クラスタリング手法は、異なる動作モードを分離するために使用できます。状態監視では、動作モードを使用して劣化を検出します。サブコンポーネントの監視
	比率の場合と同様に、物理法則を考慮します。システムが複雑で、単一の物理法則で記述できない場合は、他の方法を使用します。
	K近傍法、あるいはニューラルネットワークですね。プレゼンテーションの最後になりますが、ご清聴ありがとうございました。

高度な統計モデリング基本的なデータ分析とモデリング消費者および市場調査データのブレンドとクリーンアップデータの探索と可視化マスカスタマイゼーション予測モデリングと機械学習品質およびプロセスエンジニアリング信頼性分析結果の共有と伝達