756816_ko-KR

liliconcom

산업 분석: JMP를 활용한 풍력 터빈 상태 모니터링 및 예방적 유지 관리(2021-US-30MP-867)

Alan Rezazadeh, Southern Alberta Institute of Technology 분석 연구 과학자

대규모 센서 데이터 세트에 대한 상태 기반 모니터링(CBM)은 산업 공정에서 장기간에 걸친 점진적인 변화를 감지하는 복잡한 특정 기능을 필요로 합니다. SCADA(감시 제어 및 데이터 수집)를 활용한 CBM 적용은 장비의 점진적인 성능 저하를 감지하고 장비 수리에 가장 효과적인 시기를 찾아내는 새로운 빅데이터 분석 기법으로, 예방적 유지보수의 한 요소이기도 합니다.

JMP는 풍력 터빈 상태 기반 모니터링에 사용할 수 있는 풍부한 통계 및 머신러닝 도구 세트를 제공합니다. 난류 및 불확실한 풍력 에너지를 고도로 조절된 전기로 변환하는 풍력 터빈은 다양한 매개변수, 하위 구성 요소 및 상호작용을 포함하는 다변량 프로세스로, 운영 과정의 미묘한 변화를 감지하기 위해서는 고급 분석 기능이 필요합니다. 본 논문에서는 JMP를 사용하여 풍력 터빈 베어링 온도 예측 모델을 구축합니다. 예측값과 실제값을 비교한 후, 잔차를 사용하여 상태 모니터링을 수행합니다. 예측 모델에서 도출된 잔차는 JMP 공정 제어 방법론에서 풍력 터빈 성능 저하를 정량화하여 의사 결정 및 모니터링에 활용됩니다. 또한, 풍력 발전 단지 내 데이터 마이닝 및 공정 제어를 위한 PCA, 클러스터링, 신경망, 비정규 분포와 같은 고급 통계 도구의 적용 사례도 다룹니다.

자동 생성된 대본...

스피커	성적 증명서
앨런 레자자데	안녕하세요 여러분, 이 발표에 참여해 주셔서 감사합니다. 저는 Southern Alberta Institute of Technology에서 근무하는 Alan Rezazadeh입니다. 제 직책은 다음과 같습니다.
	연구 분석 과학자입니다. 산업 분석에 대해 이야기하고, 예를 들어 풍력 터빈과 풍력 터빈 상태 모니터링에 더 집중해 보겠습니다.
	감사의 말.
	CFREF, 캐나다 최초 연구 우수 기금, 이번 컨퍼런스에 참여할 수 있게 해주셔서 감사합니다.
	스페인의 EDP 재생에너지 풍력 발전소, 연구 및 교육에 무료로 제공되는 운영 데이터를 공유해 주셔서 감사합니다. 그리고 무엇보다도 이 훌륭한 통계적 발견 소프트웨어를 만들어 주신 JMP에 감사드립니다.
	의제. 산업 분석의 범위, 즉 산업 분석에 포함되는 내용에 대해 이야기해 보겠습니다.
	그리고 산업 장비를 프로세스로 간주하는 방법, 데이터를 준비하고 이해하는 방법, 하위 구성 요소를 정의하는 방법, 하위 구성 요소를 정의하는 데 있어 목표를 찾는 방법, 마지막으로 성능 저하와 성능을 모니터링하는 방법, 즉 조건 기반 모니터링에 대해 설명합니다.
	산업 분석의 범위에는 거의 모든 것이 포함되어 있습니다. 센서를 통해 수집되는 방대한 시계열 데이터, 즉 IoT가 있습니다.
	프로세스 최적화, 지식 발굴, 의사 결정을 수행하고자 합니다. 기본적으로 오염을 줄이고, 풍력 터빈이나 태양광 패널에서 생산되는 전력과 같은 좋은 생산량을 늘리고, 산업 장비의 상태나 상태를 모니터링하고자 합니다.
	첫 번째 아이디어는 가스터빈 제트 엔진과 같은 복잡한 기계입니다. 이는 기본적으로 하나의 과정입니다. 입력과 출력이 있습니다. 이 경우, 가스터빈은 공기와 연료이고, 출력은 전기와 배기가스, 즉 일종의 연기와 가스입니다. 따라서 이 과정을 분해해 보겠습니다.
	압축기, 연소실, 그리고 발전기. 가장 간단한 경우죠. 이제 프로세스와 하위 구성품이 생겼습니다. 따라서 지금부터 프로세스와 장비라는 용어를 이 두 가지를 합쳐서 바꿔도 될 것 같습니다.
	그렇다면 이 과정을 얼마나 자세히 분석할 수 있을까요? 공기역학이나 열역학 등 수학적 물리 공식으로 설명할 수 있는 더 작고 단순한 하위 요소로 나누어 보겠습니다.
	그러니까 사물을 아는 첫 번째 원리, 아리스토텔레스 말이에요. 그러니까 우리는 더 작은 구성 요소들로 분해하고 있는 거예요.
	그리고 이것은 제트 엔진이나 가스터빈의 고장 주기입니다. 보시다시피, 시간이 지남에 따라 약간의 변화, 수정, 그리고 성능 저하가 발생할 것입니다.
	또한 마모 때문만은 아닙니다. 운영상의 변화, 즉 기온 변화나 전력망의 전력 수요 변화 때문일 수도 있습니다.
	결과적으로 장비의 작동 모드가 변경됩니다. 따라서 이제 작동 모드와 성능 저하를 구분해야 합니다. 즉, 먼저 작동 모드가 무엇인지 알아야 합니다.
	예를 들어,
	풍력 터빈에는 회전자가 있습니다.
	저속 샤프트에는 기어박스, 발전기, 변압기가 있습니다.
	이것은 복잡한 시스템입니다. 우리는 그것을 더 작은 하위 구성 요소로 나눕니다.
	유압 장치,
	윤활, 냉각 등이 있습니다. 따라서 이 공정의 입력은 바람이고 출력은 전력입니다. 자, 풍력과 전력의 관계를 살펴보죠. 풍력 에너지 산업의 전력 곡선입니다.
	X축에는 풍력 에너지, 즉 풍속이 있고, 세로축에는 전력이 있습니다. 이는 풍력 터빈 분석에 사용되는 일반적인 전력 곡선입니다. 보시다시피, 이는 복잡한 시스템입니다. 초속 4미터의 속도로
	시스템이 작동하기 시작합니다. 그 전에는 대기 모드로 바람이 불기를 기다리고 있습니다. 초속 4미터는 시스템이 작동할 수 있는 최소 풍속입니다.
	너무 느리게 전기 생산을 시작할 겁니다. 12도가 넘으면 강해져서 바람에서 얻는 에너지 양을 줄여야 하는데, 이는 날개의 각도를 바꾸는 방식으로 이루어집니다.
	초속 25미터가 넘으면 장비를 작동하는 것이 안전하지 않으므로 전원을 끕니다.
	이제 라이브 데모가 있습니다.
	그리고
	우리는 거듭제곱 곡선을 생성할 것입니다.
	그래서
	풍속 대 전력. 등고선에서 볼 수 있듯이, 높은 농도는 공회전 모드와 저풍속 모드에 있습니다. 이것이 시스템의 풍속 체계입니다.
	바람이 세질수록 더 많은 전기가 생산됩니다. 너무 세지면 전기가 꺼집니다. 히스토그램을 볼 수 있습니다. 어떻게 켜는지 알고 싶으시면
	JMP라면 꽤 간단할 겁니다. 속도를 X 인자로, 전력을 Y 인자로 그룹화하면
	터빈.
	이제 프레젠테이션으로 돌아가겠습니다.
	이제 데이터 분석을 시작합니다. 첫 번째는 단변량 분석입니다. 즉, 주요 매개변수, 즉 풍속을 분석하는 것입니다.
	그들은 바람을 설명하는 수학적, 통계적 모델이 있는지 알아보기 위해 기존 문헌과 기존 공학 지식을 조사할 것입니다.
	그리고 바람 분포는 보통 와이불 분포를 따릅니다. 따라서 바람 분포를 와이불 분포와 비교해 보면 매우 비슷하다는 것을 알 수 있습니다.
	그러나 터빈마다 약간의 차이가 있기 때문에 연구 최적화의 기회가 조금 있습니다.
	9번 터빈은 6번 터빈과 다르고, 6번과 9번 터빈에서 나오는 바람도 다르죠. 이는 두 터빈 사이의 간섭이나 상호작용 때문일 수 있는데, 이는 괜찮습니다. 업계에서는 흔히 있는 일입니다.
	이는 이러한 문제를 줄이기 위한 최적화 기회이며, 업계 내에서 널리 알려진 주제입니다.
	따라서 단변량 분석 후 우리는 전형적인 데이터 과학으로 이동합니다.
	전처리. 누락된 값, 0이 있나요? 0은 ​​정말 0을 의미하는 건가요, 아니면 누락된 값인가요? 그래서 이런 것들을 처리합니다. 이 강의의 주제는 아닙니다. 이상치에 대해서는 이상치에 대해 조금 더 이야기해 보겠습니다.
	그래서
	제 프로젝트에서는 물리적으로 불가능한 값은 모두 제거합니다. 예를 들어 기온이 100으로 기록되면 100도가 아니라는 것을 알기 때문에 해당 값을 제거합니다. 하지만 다른 데이터는 저희의 판단에 따라 변경하지 않으므로 그대로 유지합니다.
	날짜/시간 수렴을 위해 JMP 형식에 맞게 날짜/시간 변환을 수행합니다. 이는 매우 표준적인 작업입니다. 따라서 단일화의 한 가지 방법은
	다변량 이상치 분석은 마할라노비스(Mahalanobis)이며, JMP에서 잘 지원됩니다. 이 분석을 살펴보겠습니다. 기본적으로 매개변수가 네 개이면 출력은 하나뿐입니다.
	그리고 이걸 봅시다. 마할라노비스와 이것들이 이상치입니다. 이 이상치를 제거하지는 않겠지만, 이것들이 우리가 살펴볼 초점과 관심의 중심입니다. 라이브 데모에서는,
	사용 중
	그래프 빌더를 사용하면 마할라노비스와 비교하여 쉽게 그래프를 그리고 다양한 터빈을 확인할 수 있습니다.
	예를 들어, 여기에 작은 스파이크가 하나 있습니다. 관리 상한선을 넘었으므로 이상치입니다. 무슨 일이 일어났는지 확인하기 위해 이를 확인해 보면 매개변수와 변경 사항을 확인할 수 있습니다.
	이 Mahalanobis 거리를 생성하기 위해 JMP의 다변수 기능을 사용할 수 있습니다.
	생산하다
	이상치 분석을 통해 마할라노비스를 추출한 후 이를 데이터에 저장합니다.
	이제 프레젠테이션으로 돌아가겠습니다.
	그래서 우리가 전처리를 마친 후,
	데이터 탐색을 시작하겠습니다. 데이터가 무엇을 알려주는지 알고 싶기 때문에, 전력 곡선과 흐름이 어떻게 작동하는지에 대한 간략한 배경 설명을 드렸습니다. 이제 좀 더 구체적으로 설명해 보겠습니다.
	처음에는 공회전 상태라서 더 강한 바람을 기다립니다. 그래서 바람이 불기 시작합니다. 회전 속도가 빨라지고 바람이 더 세집니다.
	전력망에 연결하면 터빈이 발전기에 연결됩니다. 발전기는 이제 충분한 속도를 갖게 되어 전력망에 연결되어 전기를 생산합니다.
	풍속이 증가합니다. 우리는 상당한 양의 전기를 생산하고 있지만 최대치는 아닙니다. 바람이 강해짐에 따라 최대치에 도달합니다.
	전기 생산. 바람이 점점 더 강해지고 너무 세지면, 우리는 얻는 에너지를 줄여야 합니다... 바람에서 에너지를 얻어야 합니다. 아니면 바람이 너무 강해서 전력 생산을 완전히 중단해야 할 수도 있습니다.
	상황이 안정되고 바람이 다시 약해지면서 공회전 상태로 전환됩니다. 루프, 즉 흐름도와 같습니다. 이제 데이터를 가지고 이 과정을 진행해 보겠습니다.
	여기 3차원 데이터 주차 모드가 있습니다. 대기 중, 공회전 중입니다. 대기 중, 주차 중, 작동 중이 아닙니다.
	로터가 속도를 높여 최소 전력을 생산합니다. 이는 정격 전력 이하로 연결하는 것입니다.
	그리고 평가되었습니다. 그리고 너무 강해지면, 그들은 다시 이 주차장으로 가서 작동을 끕니다. 그래서 여기 있는 것은 클러스터링입니다.
	AIC를 비교합니다. 클러스터가 하나, 둘, 셋이면 클러스터를 비교하고 클러스터링 결과를 통해 해당 클러스터의 개수를 파악합니다.
	최고라고는 할 수 없지만... 오차를 최소화하면서, 오차 범위도 너무 넓지 않은 수준입니다. 자, 이제 실제로 어떻게 작동하는지 살펴보겠습니다.
	그래서 10개까지 클러스터링을 계속 진행하고 있습니다. 프레젠테이션에서 너무 오래 걸리지 않도록 하려고 했습니다. 10초에서 15초 정도 걸립니다. 그래서 터빈 1에서 클러스터를 찾고 있습니다.
	그래서
	각 클러스터는 기본적으로 다음의 농도입니다.
	작동 모드가 있으므로, 이 터빈이 어떻게 작동하는지 알 수 있습니다. AIC 대 클러스터 수를 구해야 합니다.
	나는 할 것이다
	그래프를 그리다
	AIC 대 클러스터 수.
	여러 번 반복하고 도구를 사용해서 빠르게 만들었기 때문에 순조롭게 진행되지는 않았습니다. 하지만 제작과 실제 작업에는 더 오랜 시간이 걸렸을 것입니다.
	6, 7, 8에서 볼 수 있듯이 클러스터 수는 상당히 많은 반면, 오차는 감소했습니다. 오차는 앞으로 더 줄어들 것입니다.
	하지만 클러스터를 계속 늘리면 복잡성이 더해지고, 너무 많이 늘리면 과적합될 수 있습니다.
	그래서
	지금
	우리는 그것들을 계획한다.
	이건 터빈 1에 대한 것이고, 이를 그래프로 그리면 몇 가지 전환이 있는데, 바람이 너무 강해서 강풍에서 주차로 바뀌는 것을 볼 수 있습니다.
	이제 프레젠테이션으로 돌아가겠습니다.
	자, 클러스터 개수가 몇 개나 됩니까? 클러스터가 하나라면 모든 것이 하나의 그룹이 되는 거죠. 알겠습니다. 그건 우리가 신경 쓸 문제가 아닙니다.
	클러스터가 두 개라면, 알고리즘이 이 그룹을 감지하고 있음을 알 수 있습니다. 이를 공회전이라고 부르는데, 그냥 기다리는 상태입니다. 클러스터가 세 개라면, 주차 중이고 로터가 속도와 작동을 감지하므로 알고리즘은 이 세 그룹을 감지합니다.
	여섯, 일곱, 여덟 개 정도면 가장 적절할 것 같습니다. 저는 여섯 개를 골랐는데, 이 프레젠테이션에는 적은 숫자입니다. 운영 엔지니어라면 여덟 개나 아홉 개 정도 더 많이 골라낼 수도 있을 겁니다.
	라이브 데모인데, 우리는 이미 이걸 봤습니다.
	계층적, K-평균, 정규분포를 사용합니다. 산업 프로젝트의 경우, 보통 정규 혼합을 사용합니다.
	비즈니스 프로젝트의 경우 계층적 모델이 논리를 잘 분석해 주기 때문에 매우 적합합니다. K-평균은 계산량이 많고 대용량 데이터 세트에서는 시간이 너무 많이 걸립니다.
	따라서 정규 혼합의 가정은 클러스터가 정규 분포 하에서 볼록하다는 것입니다. 즉, 피크가 하나만 있다는 뜻입니다. 그리고 이는 매우 사실입니다.
	...우리가 하나의 작동 모드를 가질 때, 그것은 일반적으로 하나의 센터 내에서 그 작동 모드 내에서 작동하므로 정상적인 혼합물은 안전합니다.
	클러스터링에 사용할 알고리즘입니다.
	이제 상태 모니터링에 대해 이야기해 볼까요? 클러스터링은 다 해 놨는데, 뭘 하는 건가요?
	여기서 무엇을 모니터링할 것인지 이야기해 보겠습니다.
	기어박스의 기어가 작동할 때 기어박스에 접점이 생깁니다. 마모로 인해 이 접점은 시간이 지남에 따라 변할 수 있습니다. 바로 그것이 우리가 찾고자 하는 것입니다. 하지만,
	복부선이 열심히 작동하고 토크가 너무 많이 가해지면 토크가 그렇게 강하지 않을 때와 접촉 지점이 다를 수 있습니다.
	바람이 그렇게 강하지 않습니다. 다시 말해, 운영 모드입니다. 따라서 운영 모드가 너무 다를 때가 아니라, 한 운영 모드 내에서 이러한 접점을 비교하고 싶습니다. 따라서 이 경우
	모니터링을 위해 간단한 선형 회귀 분석을 사용할 수 있습니다.
	그래서 선형 회귀를 하면
	다양한 운영 모드에 따라 다릅니다. 따라서 그리드 연결을 위해
	R 제곱은 99.6%입니다. 좋은 근사값이라는 것을 알 수 있습니다. 멋진 회귀선입니다.
	99.993. 좋은 R 제곱이므로 이걸 사용하겠습니다.
	정격 작업의 경우
	좋은 R 제곱 값을 얻지 못했으므로 제외하겠습니다. 따라서 실질적으로는 우리가 원하는 분석에 적합한 R 제곱 값을 제공하는 이 운영 모드에 맞춰 구성해 보겠습니다. 이제 데모로 돌아가겠습니다.
	이건 기본적으로 기존의 선형 회귀 분석 방식입니다. 단 몇 초 만에 완료되었습니다. 보시다시피 521,000개의 레코드가 있고 2~3초밖에 걸리지 않았으니, 매우 뛰어난 성능입니다.
	이제 우리가 선택할 운영 모드는 다음과 같습니다. 올바른 값을 선택했는지 확인하기 위해 다시 한 번 살펴보겠습니다.
	Y를 X로 맞추면 밀도 등고선을 그릴 수 있습니다. 여기서 보고 싶은 것은 밀도 중심을 지나는 회귀선인데, 이 회귀선은 통과하고 있습니다. 아주 좋은 회귀선입니다.
	그것이 그리워질 것이고, 그것이 우리가 사용하지 않기로 선택한 공회전입니다.
	좋은 회귀선이네요.
	정격 생산의 경우 밀도 포인트가 없으므로 이것은 사용하지 않을 것입니다.
	이는 R제곱에서 우리가 관찰한 내용을 매우 잘 확인시켜 주었습니다.
	이렇게 해봤습니다. 다음은 뭘까요?
	우리는 잔차를 도출합니다. 터빈의 잔차입니다.
	그리고 잔차가 증가할 때 잔차를 분석할 겁니다. 라이브 데모를 해 보죠. 이해가 되실 겁니다.
	따라서 선택된 운전 모드에 대해서만 다섯 개의 터빈 모두에 대한 잔차를 표시합니다. 공회전과 정격 운전 모드는 제외합니다. 다른 운전 모드들을 표시하면 어떻게 될까요? 공회전의 경우, 모든 것이 끝났고, 아무런 의미도 없으며, 아무런 정보도 제공하지 않습니다.
	등급별 제작물도 마찬가지입니다. 아무 내용도, 많은 내용도 담겨 있지 않습니다.
	그러나 이것과 함께,
	특정 날짜에 잔여물이 증가한 것을 볼 수 있습니다. 실제로 수리 내역을 살펴보면, 이것은 한 번의 수리였고, 저것은 또 다른 수리였으며, 여기서 점진적으로 증가하는 것을 볼 수 있습니다. 저것은 또 다른 수리였습니다.
	터빈 11, 기어박스에는 문제가 없었습니다.
	잔여물은 결코 증가하지 않았습니다.
	그리고 터빈 6에 수리가 있었으므로 발생한 몇 가지 문제가 표시될 수 있지만, 그 문제는 무엇이었을까요...
	어느 수준에서...잔류물의 어느 수준이 실제 문제인지 말해보죠.
	주관적입니다. 정량화해야 합니다. 엔지니어가 어떤 조치를 취하기 위해 어느 정도의 잔여물이 필요한지 살펴봐야 합니다. 현재 업계에서는 이 부분이 여전히 미해결 문제이며, 연구 주제로 남아 있습니다. 하지만 이는 다음과 같은 목적으로 사용되는 도구입니다.
	엔지니어를 돕는 것. 그래서 다시
	프레젠테이션입니다. 추세는 모니터링을 위한 것이고, 엔지니어가 어떤 수준에서 조치를 취하고 실제로 기어박스를 간섭하여 열 것인지에 대한 것입니다. 이는 엔지니어링 결정입니다. 하지만 데이터 관점에서 보면 엔지니어의 의사 결정을 지원하는 것입니다.
	요약하자면, 복잡한 프로세스에는 여러 가지 작동 모드가 있습니다. 모니터링하려는 경우
	장치를 모니터링하려면 어떤 작동 모드를 모니터링할지 알아야 합니다. 각 작동 모드는 작동 프로세스의 일부를 강조합니다.
	클러스터링 기법을 사용하면 다양한 작동 모드를 분리할 수 있습니다. 상태 모니터링은 앞서 수행한 것처럼 작동 모드를 사용하여 성능 저하를 감지합니다. 하위 구성 요소 모니터링
	우리가 비율에 사용하는 물리 법칙을 고려합니다. 그리고 시스템이 복잡해서 하나의 물리 법칙으로 설명할 수 없다면, 다음과 같은 다른 방법을 사용할 것입니다.
	K-최근접 이웃 또는 신경망. 프레젠테이션 마지막에 꼭 나오는 내용인데, 귀 기울여 주셔서 감사합니다.

고급 통계 모델링기본 데이터 분석 및 모델링소비자 및 시장 조사데이터 블렌딩 및 정리데이터 탐색 및 시각화대량 맞춤화예측 모델링 및 머신 러닝품질 및 공정 엔지니어링신뢰성 분석결과 공유 및 전달