756816_zh-CN

liliconcom

工业分析：使用 JMP 对风力涡轮机进行状态监测和预防性维护 (2021-US-30MP-867)

南阿尔伯塔理工学院分析研究科学家 Alan Rezazadeh

基于状态的监测 (CBM) 需要复杂的特定功能，用于检测工业过程中随时间推移的渐进式变化。使用 SCADA（数据采集与监控系统）进行 CBM 应用是一种新兴的大数据分析实践，用于检测设备的渐进式性能下降并找到最有效的设备维修时机，这也是预防性维护的组成部分。

JMP 提供了丰富的统计和机器学习工具，可用于风力涡轮机的状态监测。风力涡轮机将湍流和不确定的风能转化为高度受控的电能，这是一个多变量过程，包含众多参数、子组件和相互作用，需要高级分析能力来检测运行中的细微变化。本文使用 JMP 构建风力涡轮机轴承温度预测模型。将预测值与实际值进行比较后，残差可用于状态监测。预测模型得出的残差可用于 JMP 过程控制方法，以量化风力涡轮机的性能退化，从而进行决策和监测。本文还涵盖了主成分分析 (PCA)、聚类、神经网络和非正态分布等高级统计工具在风电场数据挖掘和过程控制中的应用。

自动生成的成绩单...

扬声器	抄本
艾伦·雷扎扎德	大家好，感谢大家参加本次演讲。我叫艾伦·雷扎扎德 (Alan Rezazadeh)，就职于南阿尔伯塔理工学院。我的职位是
	一位研究分析科学家。我们将讨论工业分析，并举例说明风力涡轮机及其状态监测。
	致谢。
	CFREF，加拿大第一研究优秀基金，谢谢你们允许我参加这次会议。
	西班牙EDP可再生能源风电场，感谢您分享运营数据，这些数据可免费用于研究和教育。最重要的是，感谢JMP打造了这款出色的统计发现软件。
	议程。我们将讨论工业分析的范围，以及工业分析包含的内容
	以及我们如何将工业设备视为一个过程；准备和理解数据；并定义子组件，如何在定义子组件时找到目标；最后将监控退化和性能，这称为基于条件的监控。
	所以，在工业分析领域，我们几乎涵盖了所有方面。我们拥有来自传感器的大量时间序列数据，这就是物联网。
	我们想要进行流程优化、知识发现和决策。基本上，我们想要减少污染，增加产出，例如风力涡轮机或太阳能电池板的电力，或者我们想要监测工业设备的健康状况。
	所以第一个想法是，像燃气涡轮喷气发动机这样的复杂机械，本质上是一个过程。有输入，也有输出。输入，也就是燃气涡轮，是空气和燃料；输出是电力和废气，某种烟雾和气体。所以我们要打破这个
	压缩机、燃烧室和发电机。这是最简单的情况。现在我们有一个流程和子组件。所以从现在开始，我可能会将“流程”和“设备”这两个术语互换使用。
	那么，我们要如何分解这个过程呢？我们希望将其分解成更小、更简单的子组件，以便我们能够用数学物理公式（例如空气动力学或热力学等）来描述它。
	亚里士多德说，第一原理，即事物的认知基础。所以我们要把这些分解成更小的部分。
	这对于喷气发动机或燃气轮机来说，是一个故障周期。因此，正如我们所看到的，随着时间的推移，会发生一些变化、一些修改，或者说一些性能下降。
	这不仅仅是因为磨损，还可能是由于运行变化，例如气温会发生变化，电网的电力需求也会发生变化。
	因此，设备的运行模式会发生变化。现在我们要区分运行模式和性能下降，这意味着我们首先要知道什么是运行模式。
	假设
	风力涡轮机，我们有转子，
	低速轴，我们有变速箱、发电机和变压器。
	这是一个复杂的系统；我们将其分解为更小的子组件。
	液压系统，
	润滑、冷却等等。所以这个过程的输入是风，输出是电力。让我们看看风能与电力的关系，也就是风能行业的电力曲线。所以
	X轴代表风能，也就是风速，纵轴代表功率。这是一条典型的用于分析风力涡轮机的功率曲线。正如我们所见，这是一个复杂的系统。所以，以每秒4米的速度，
	系统开始工作。之前，它处于空闲模式，等待风力。4米/秒是它能够运行的最低风速，
	所以它会慢慢开始发电。超过12级后，风力会越来越强，所以他们必须减少从风中获取的能量，而这可以通过改变叶片的角度来实现。
	如果速度超过每秒 25 米，操作设备就会不安全，因此设备会被关闭。
	我们现在有一个现场演示，
	和
	我们将生成功率曲线。
	所以
	风速与功率的关系。正如我们在等值线图中看到的，高浓度出现在怠速模式和较低风速附近。这就是系统中的风力状况。
	随着风速加快，风力也越来越强，产生的电能也越来越多。如果风力过强，它就会被关闭。我们可以看到直方图。如果你想知道如何让它开启
	JMP，这很简单。当速度作为X因子，功率作为Y因子时，按以下方式分组：
	涡轮机。
	回到演讲上。
	现在我们开始分析数据。首先是单变量分析，我们会分析主要参数，比如风速。
	他们会研究现有的文献和现有的工程知识，看看是否存在描述风的数学和统计模型。
	确实存在一个，风分布通常符合威布尔分布。所以我们将风分布与威布尔分布进行比较，会发现它们非常接近。
	然而，不同的涡轮机之间存在一些细微的差别，因此存在一点机会，研究优化的机会。
	所以9号涡轮机和6号涡轮机不一样，所以6号和9号涡轮机产生的风力也不同，这可能是由于涡轮机之间的干扰和相互作用造成的，这很正常。行业内这种情况时有发生。
	这是一个减少尾流的优化机会，也是业内众所周知的话题。
	因此，在单变量分析之后，我们进入典型的数据科学
	预处理。缺失值，有零吗？这些零真的代表零吗？还是说它们是缺失值？我们会处理这些；这不是本次演讲的主题。至于异常值，我们稍后会稍微讨论一下。
	所以
	在我的项目中，我们会删除任何物理上不可能的值。所以，如果温度……气温记录为100度，你知道我们并没有达到100度，所以我们会删除它。但我们不会根据自己的判断更改其他数据，所以我们会保留它们。
	还有日期/时间收敛，所以我们会进行一些日期/时间转换，以适应 JMP 格式。这些转换基本上是标准的。所以，一种统一的方法是
	多元异常值分析是马氏方法，JMP 对此提供了很好的支持，我们接下来会讲解一下。基本上，如果我们有四个参数，我们就会得到一个输出
	我们来看看这个。马哈拉诺比斯分布，这些是异常值。我们不会移除这些异常值，但这些是我们会重点关注的点。所以，为了演示，
	使用
	图形生成器，我们可以轻松地绘制它们与马氏曲线的关系并检查不同的涡轮机。
	比如说，这里有一个小峰值。它超过了控制上限，所以它是一个异常值。我们会检查它，看看发生了什么，你可以看到参数是如何变化的。
	为了得到这个马氏距离，我们可以使用 JMP 的多变量特征，
	生产
	根据异常值分析、马氏概率，然后将其保存到数据中。
	回到演讲上。
	完成预处理后，
	我们将开始数据发现。我们想看看数据告诉我们什么，所以我简单介绍了一下功率曲线的背景，以及流程是如何运作的。现在让我们稍微正式一点。
	一开始是空转，等待更强的风。所以风有点大。我们启动。转速增加，风也更大了。
	我们接入电网，这意味着涡轮机与发电机连接。现在发电机有足够的转速，它就能接入电网并发电。
	风速增加。我们生产的电力不错，但还没有达到最大值。随着风力增强，我们达到了最大发电量。
	发电。随着风力越来越强，我们不得不减少从风中获取的能量，或者我们可能因为风力过强而完全停止发电。
	随着情况稳定下来，风力再次减弱，我们进入空转状态。所以这是一个循环；这是一个流程图。现在让我们用数据来解释一下。
	所以这里是一个三维数据停车模式，我们在等待，在空转。我们在等待，在停车，我们不在操作。
	转子加速，产生最小的电力。这是连接，产生低于额定值的
	并进行评级。如果天气太强，他们就会再次去停车场，关闭运营。所以我们现在看到的是集群
	并比较 AIC。因此，如果我们有一个、两个或三个聚类，我们会比较聚类结果，然后选取能够给出
	最好……我不能说最好……误差最小，但数值也不算太高。所以，让我们实际看看它的效果如何。
	所以我们正在进行聚类，最多可以聚类到10个。我不想在演示中花太长时间。大约需要10到15秒。所以我们在Turbine 1中寻找聚类。
	所以
	每个集群基本上是
	这样，我们就能知道这台涡轮机是如何工作的了。所以我们得到了AIC与簇数的关系。
	我会
	绘制图表
	AIC 与聚类数量。
	所以它并没有想象中那么顺利，因为我确实用了不少迭代和工具，速度确实很快。然而，对于制作和实际工作来说，这可能需要更长的时间。
	所以，正如我们在6、7、8上看到的，这是一个不错的聚类数量，而误差却下降了。误差会略微下降更多
	然而，如果我们继续使用更多的聚类，它会增加复杂性，如果我们增加太多，它可能会变得过度拟合。
	所以
	现在
	我们绘制它们。
	这是针对涡轮机 1 的情况，当我们绘制它们时，我们可以看到，存在一些转变，那就是当我们从大风转为停车时，因为风太大了。
	回到演讲上。
	那么，多少个簇才是正确的数量呢？如果只有一个簇，那么所有簇都属于一个组，对吧？这不关我们的事。
	如果有两个簇，我们可以看到算法正在挑选这组。我们称之为空转，只是等待。或者有三个簇，即停机、旋翼加速和运行，所以算法会挑选这三个簇。
	如果我们考虑六、七或八个，它们最有意义。我选了六个，但对于这个演示来说，这个数字很小。运营工程师可能会选更多，八到九个。
	这是一个现场演示，我们已经看过了。
	分层、K均值和正态分布。对于工业项目，我通常使用正态分布的混合。
	对于商业项目来说，分层结构非常有意义，因为它可以很好地分解逻辑。K均值法计算量大，在处理大型数据集时会非常耗时。
	因此，正态混合的假设是，聚类在正态分布下是凸的，这意味着它们只有一个峰值。事实也确实如此。
	在……当我们有一种运行模式时，它通常在一个中心内以这种运行模式运行，所以正常混合是安全的
	用于聚类的算法。
	现在，我们来谈谈状态监测。我们已经完成了所有的聚类，好吗？我们用它们做什么呢？
	让我们来谈谈他们在这里要监控什么。
	随着变速箱中齿轮的运转，变速箱内会有一个接触点。由于磨损，这个接触点可能会随着时间的推移而移动。这正是我们想要找到的。然而，
	如果腹线正在努力工作，并且有如此大的扭矩，那么接触点可能会与扭矩不那么强时不同，并且
	风力没那么强。所以这又意味着运行模式。我们希望在同一个运行模式下比较这些触点，而不是在运行模式差异太大的情况下。所以对于这个
	监测，我们可以使用简单的线性回归。
	因此进行线性回归
	基于不同的运行模式。因此对于电网连接，
	R平方为99.6%。我们可以看出，这是一个很好的近似值。这是一条很好的回归线。
	99.993。这是一个很好的 R 平方，所以我们就用这个值。
	对于额定操作，
	我们没有得到良好的 R 平方，所以我们会排除它。实际上，我们会把这个运行模式中，那些能给我们想要进行的分析提供良好 R 平方的变量放在一起。现在回到演示。
	这基本上就是老式的线性回归。它只用了几秒钟就完成了。我们可以看到，521,000 条记录，整个过程只用了两三秒，性能非常出色。
	这些就是我们要选择的操作模式。我们再看一下，确认一下我们选择的值是否正确。
	用 X 拟合 Y，我们可以绘制密度等值线。我们希望看到的是回归线穿过密度中心，这条线正好穿过了。这是一条不错的曲线。
	它将会错过它，这就是我们选择不使用的空转。
	这是一条很好的回归线。
	对于额定产量，它缺少密度点，所以我们不会使用这个。
	这充分证实了我们通过 R 平方所观察到的结果。
	所以我们这么做了。接下来会怎样？
	我们画出残差。涡轮机的残差。
	当残差增加时，我们会分析残差。我们来做一个现场演示。这样就说得通了。
	因此，我们绘制了所有五台风力发电机组在选定运行模式下的残差。因此，我们排除了空转和额定运行模式。如果我们绘制其他运行模式的残差，结果会怎样？对于空转模式，一切都结束了，它没有任何意义，也没有告诉我们任何信息。
	额定产量也是一样。它什么都没说，也没说多少。
	然而，与此同时，
	我们可以看到残差在某些特定日期有所增加。实际上，如果我们查看维修日志，就会发现这是一次维修，那是另一次维修，我们可以看到残差值在这里逐渐增加。这是又一次维修。
	11号涡轮机，我们的变速箱没有问题。它从来没有……
	残差从未增加。
	并且对 6 号涡轮机进行了维修，因此这可能显示发生了一些问题，但它是什么呢......
	在什么水平...让我们说说残留在什么水平上是一个真正的问题。
	这是主观的。我们必须量化。我们必须考虑工程师需要多大的残差水平才能采取行动。目前，这在业界还是一个悬而未决的问题，一个有待研究的课题。然而，它是一种用于
	帮助工程师。所以回到
	我们的演示。所以趋势是为了监控，以及工程师在什么程度上会采取行动，实际干预并打开变速箱。这是一个工程决策。然而，从数据的角度来看，你是在帮助工程师做出决策。
	总而言之，一个复杂的过程有多种操作模式。当我们想要监控
	对于一台设备，我们必须知道要监控哪种运行模式。每种运行模式都突出显示了部分运行流程。
	我们可以使用聚类方法来隔离不同的运行模式。状态监测，就像我们之前所做的那样，使用运行模式来检测性能下降。监控子组件
	考虑物理定律，就像我们用于比率的方法一样。如果系统很复杂，我们无法用一条物理定律来描述它，那么我们会使用其他方法，例如
	K最近邻或神经网络。这部分内容已经接近演讲的尾声了，谢谢大家的关注。

高级统计建模基础数据分析与建模消费者和市场研究数据混合和清理数据探索与可视化大规模定制预测模型和机器学习质量与工艺工程可靠性分析分享和交流结果