| Vocero |
Transcripción |
| Alan Rezazadeh |
Hola a todos, gracias por participar en esta presentación. Me llamo Alan Rezazadeh y trabajo en el Instituto Tecnológico del Sur de Alberta. Mi puesto es... |
| |
Científico de análisis de investigación. Hablaremos de análisis industrial, centrándonos, por ejemplo, en las turbinas eólicas y su monitorización. |
| |
Expresiones de gratitud. |
| |
CFREF, Canada First Research Excellent Fund, gracias por permitirme participar en esta conferencia. |
| |
Parque Eólico de Energías Renovables de EDP (España): gracias por compartir datos operativos, disponibles gratuitamente para investigación y docencia. Y, sobre todo, gracias a JMP por crear este fantástico software de descubrimiento estadístico. |
| |
Agenda. Hablaremos sobre el alcance de la analítica industrial y qué incluye. |
| |
y cómo consideraríamos el equipo industrial como un proceso; preparar y comprender los datos; y definir los subcomponentes, cómo encontrar el objetivo en la definición de los subcomponentes; y al final se monitoreará la degradación y el rendimiento, lo que se denomina monitoreo basado en la condición. |
| |
En el ámbito del análisis industrial, prácticamente lo tenemos todo incluido. Contamos con grandes series temporales de datos que llegan a través de sensores, lo que se conoce como IoT. |
| |
Queremos optimizar procesos, descubrir conocimiento y tomar decisiones. En resumen, buscamos reducir la contaminación, aumentar la producción de bienes, como la energía de turbinas eólicas o paneles solares, o monitorear el estado de los equipos industriales. |
| |
La primera idea es que una maquinaria compleja, como un motor a reacción con turbina de gas, es básicamente un proceso. Hay una entrada y una salida. La entrada, en este caso, que es una turbina de gas, es aire y combustible; la salida es electricidad y gases de escape. Así que descompondríamos esto. |
| |
Un compresor, una cámara de combustión y un generador de energía. Es el caso más simple. Ahora tenemos un proceso y sus subcomponentes. Por lo tanto, a partir de ahora, puedo intercambiar los términos «proceso» y «equipo» por los términos «conjunto». |
| |
¿Hasta dónde llegamos al descomponer el proceso? Queremos descomponerlo en subcomponentes más pequeños y simples que podamos describir mediante una fórmula física matemática, como la aerodinámica o la termodinámica, etc. |
| |
Así que, Aristóteles, los primeros principios a partir de los cuales se conoce algo. Así que lo descomponemos en componentes más pequeños. |
| |
Y este es un ciclo de averías para los motores a reacción o también para las turbinas de gas. Como podemos ver, con el tiempo habrá cambios, modificaciones o, si lo deseamos, degradación. |
| |
Además, no se debe solo al desgaste. También podría deberse a cambios operativos, como la temperatura del aire y la demanda eléctrica de la red. |
| |
Como resultado, el modo operativo del equipo cambiará. Por lo tanto, ahora queremos diferenciar entre modos operativos y degradación, lo que significa que primero debemos saber qué es el modo operativo. |
| |
Digamos por un |
| |
aerogenerador, tenemos rotor, |
| |
Eje de baja velocidad, disponemos de caja de cambios, generador y transformador. |
| |
Es un sistema complejo; lo dividimos en subcomponentes más pequeños. |
| |
hidráulica, |
| |
Lubricación, refrigeración, etc. La entrada al proceso es el viento y la salida es la energía. Veamos la curva de potencia en la industria eólica. |
| |
En el eje X, tenemos la energía eólica (velocidad del viento) y, en el eje vertical, la potencia. Esta es una curva de potencia típica que se utiliza para el análisis de aerogeneradores. Como podemos ver, es un sistema complejo. A cuatro metros por segundo, |
| |
El sistema comienza a funcionar. Antes, estaba en modo inactivo, esperando a que soplara el viento. Cuatro metros por segundo es la velocidad mínima del viento a la que puede operar. |
| |
Poco a poco empezará a producir electricidad. Por encima de 12, la temperatura se intensifica, así que tienen que reducir la cantidad de energía que extraen del viento, lo cual se logra modificando el ángulo de las aspas. |
| |
Por encima de 25 metros por segundo, el funcionamiento del equipo no será seguro, por lo que se apaga. |
| |
Así que ahora tenemos una demostración en vivo, |
| |
y |
| |
Vamos a producir la curva de potencia. |
| |
Entonces |
| |
Velocidad del viento versus potencia. Como podemos ver en el contorno, la alta concentración se concentra en el modo de ralentí y con una velocidad del viento más baja. Este es el régimen de viento del sistema. |
| |
Y a medida que el viento aumenta su velocidad, se vuelve más fuerte y se produce más electricidad. Si se vuelve demasiado fuerte, se apaga. Podemos ver los histogramas. Si quieres saber cómo activarlo... |
| |
JMP, sería bastante sencillo. Cuando la velocidad es el factor X y la potencia es el factor Y, agrupándolos por... |
| |
turbinas. |
| |
Así que volvamos a la presentación. |
| |
Ahora comenzamos a analizar los datos. Primero, el análisis univariante, es decir, analizaríamos los parámetros principales, como, por ejemplo, la velocidad del viento. |
| |
Investigarían la literatura existente y el conocimiento de ingeniería existente para ver si existe algún modelo matemático y estadístico que describa el viento. |
| |
Y hay uno, y la distribución del viento suele ajustarse a Weibull. Entonces, comparamos el viento con el Weibull. Veríamos que es muy similar. |
| |
Sin embargo, entre las diferentes turbinas hay algunas pequeñas diferencias, por lo que hay una pequeña oportunidad de optimización de la investigación. |
| |
La turbina 9 es diferente a la 6, por lo que el viento de la 6 y la 9 es diferente, lo que podría deberse a interferencias, a la interacción entre estas turbinas, lo cual es normal. Sucede en la industria. |
| |
Y es una oportunidad de optimización para reducir esta estela y es un tema muy conocido dentro de la industria. |
| |
Entonces, después del análisis univariado, pasamos a la ciencia de datos típica. |
| |
Preprocesamiento. Valores faltantes: ¿hay ceros? ¿Significan los ceros realmente cero o son valores faltantes? Así que nos encargamos de eso; no es el tema de esta charla. Hablaremos brevemente sobre los valores atípicos. |
| |
Entonces |
| |
En mis proyectos, eliminamos cualquier valor que no sea físicamente posible. Por ejemplo, si la temperatura del aire es de 100 grados, sabemos que no tenemos 100 grados, así que la eliminamos. Sin embargo, no modificaríamos los demás datos según nuestro criterio, así que los conservamos con frecuencia. |
| |
Y la convergencia de fecha/hora, por lo que realizamos algunas conversiones de fecha/hora para que se ajusten al formato JMP. Por lo tanto, estos son prácticamente un estándar. Un método de universalización, |
| |
El análisis multivariado de valores atípicos es Mahalanobis, y cuenta con un buen soporte en JMP, y lo analizaremos. Básicamente, si tenemos cuatro parámetros, generamos una salida. |
| |
Observamos este. Mahalanobis y estos son los valores atípicos. No los eliminaremos, pero estos son los focos de atención que analizaremos. Para la demostración en vivo, |
| |
usando |
| |
Generador de gráficos, podemos graficarlos fácilmente contra el Mahalanobis y verificar diferentes turbinas. |
| |
Por ejemplo, tenemos un pequeño pico aquí. Está por encima de los límites de control superiores, por lo que es un valor atípico. Lo analizamos para ver qué sucedió y se pueden ver los parámetros y cómo cambiaron. |
| |
Para producir esta distancia de Mahalanobis, podemos utilizar las características multivariadas de JMP, |
| |
productor |
| |
bajo análisis de valores atípicos, Mahalanobis, y luego guardarlos en los datos. |
| |
Así que volvamos a la presentación. |
| |
Entonces, después de que hayamos terminado el preprocesamiento, |
| |
Comenzaríamos el descubrimiento de datos. Queremos ver qué nos dicen los datos, así que presenté brevemente la curva de potencia y el funcionamiento del flujo. Formalicémoslo un poco. |
| |
Al principio, al ralentí, esperando un viento más fuerte. Y hay algo de viento. Arrancamos. La velocidad de rotación aumenta y hay más viento. |
| |
Nos conectamos a la red, lo que significa que la turbina está conectada al generador. El generador tiene suficiente velocidad y se conecta a la red para producir electricidad. |
| |
La velocidad del viento aumenta. Estamos produciendo una buena cantidad de electricidad, pero no está al máximo. A medida que el viento se hace más fuerte, alcanzamos el nivel máximo de... |
| |
Producción de electricidad. A medida que el viento se vuelve más fuerte y es excesivo, tenemos que reducir la energía que obtenemos... la aprovechamos, o quizá queramos detenerla por completo porque es demasiado fuerte. |
| |
A medida que las condiciones se calman y el viento vuelve a ser lento, pasamos a ralentí. Es un bucle; un diagrama de flujo. Ahora, hagámoslo con los datos. |
| |
Aquí tenemos un modo de estacionamiento de datos tridimensional: estamos esperando, en ralentí. Estamos esperando, aparcando, sin operar. |
| |
El rotor aumenta su velocidad, produciendo la mínima electricidad. Esto se conecta a la producción subclasificada. |
| |
y calificado. Y si se vuelve demasiado fuerte, entonces irían a este estacionamiento nuevamente y desactivarían la operación. Entonces, lo que tenemos aquí es agrupamiento. |
| |
y comparar los AIC. Entonces, si tenemos un grupo, dos o tres, compararíamos el grupo... los resultados de la agrupación y tomaríamos el número de grupos que dan el... |
| |
El mejor... no puedo decir que sea el mejor... el error mínimo, aunque el número no sea demasiado alto. Así que veámoslo en acción: cómo funcionaría. |
| |
Estamos agrupando hasta 10. No quería extenderme demasiado en la presentación. Tarda entre 10 y 15 segundos. Estamos buscando los clústeres dentro de la Turbina 1. |
| |
Entonces |
| |
Cada grupo es básicamente la concentración de |
| |
Modos de funcionamiento. Así sabríamos cómo funcionaba esta turbina. Tenemos el AIC frente al número de clústeres. |
| |
Yo lo haría |
| |
trazar la gráfica |
| |
AIC versus número de clústeres. |
| |
Así que no es tan fluido como debería, porque usé varias iteraciones y herramientas y lo hice rápido. Sin embargo, para la producción y el trabajo en sí, tomaría más tiempo. |
| |
Entonces, como podemos ver en los puntos 6, 7 y 8, hay un buen número de clústeres, mientras que el error ha disminuido. El error disminuirá ligeramente. |
| |
Sin embargo, si continuamos con más clústeres, se sumaría la complejidad y, si la aumentamos demasiado, podría producirse un sobreajuste. |
| |
Entonces |
| |
ahora |
| |
Los trazamos. |
| |
Entonces, esto es para la Turbina 1, y a medida que los trazamos, podemos ver que hay algunas transiciones y es entonces cuando pasamos de viento fuerte al estacionamiento porque el viento es demasiado fuerte. |
| |
Así que volvamos a la presentación. |
| |
Ahora bien, ¿cuántos grupos son el número correcto? Entonces, si hay un grupo, todo es un solo grupo, ¿de acuerdo? No nos incumbe. |
| |
Si hay dos grupos, podemos ver que el algoritmo está seleccionando este grupo. Lo llamamos inactividad, simplemente esperando. O si hay tres grupos, está estacionado, el rotor aumenta su velocidad y opera, por lo que el algoritmo selecciona estos tres. |
| |
Si consideramos seis, siete u ocho, son los que tienen más sentido. Elegí seis, ya que es un número pequeño para esta presentación. Un ingeniero de operaciones podría elegir más, ocho o nueve. |
| |
Entonces, una demostración en vivo, y ya vimos ésta. |
| |
Jerárquico, K-mean y normal. Para proyectos industriales, suelo utilizar mezclas normales. |
| |
Para proyectos empresariales, el método jerárquico sería muy lógico, ya que ofrece un buen desglose de la lógica. K-mean requiere un gran esfuerzo computacional y, en grandes conjuntos de datos, consumiría demasiado tiempo. |
| |
Así que, con la mezcla normal, se asume que los grupos son convexos bajo una distribución normal, lo que significa que solo tienen un pico. Y esto es así en gran medida. |
| |
En el... cuando tenemos un modo operativo, generalmente opera dentro de ese modo operativo dentro de un centro, por lo que la mezcla normal es segura. |
| |
algoritmo a utilizar para la agrupación. |
| |
Ahora, pasando al monitoreo de condición. Ya hicimos todo el agrupamiento, ¿de acuerdo? ¿Qué estamos haciendo con ellos? |
| |
Hablemos de lo que van a monitorear aquí. |
| |
A medida que los engranajes de la caja de cambios funcionan, hay un punto de contacto en ella. Debido al desgaste, este punto de contacto puede desplazarse con el tiempo. Eso es lo que buscamos. Sin embargo, |
| |
Si la línea ventral está trabajando duro y hay mucho torque en ella, el punto de contacto puede ser diferente a cuando el torque no es tan fuerte y |
| |
El viento no es tan fuerte. Esto implica, de nuevo, el modo operativo. Queremos comparar estos puntos de contacto dentro de un modo operativo, no cuando los modos operativos son muy diferentes entre sí. Para esto... |
| |
Para el seguimiento podemos utilizar una regresión lineal simple. |
| |
Entonces, haciendo una regresión lineal |
| |
Basado en diferentes modos operativos. Por lo tanto, para la conexión a la red, |
| |
R cuadrado es del 99,6 %. Vemos que es una buena aproximación. Es una buena línea de regresión. |
| |
99.993. Es un buen R cuadrado, así que usaremos este. |
| |
Para operaciones calificadas, |
| |
No obtuvimos un buen R cuadrado, así que lo descartaremos. En la práctica, vamos a configurar este modo operativo para obtener un buen R cuadrado para el análisis que queremos realizar. Volviendo a la demostración. |
| |
Esta es básicamente la antigua regresión lineal. Ocurrió en tan solo unos segundos. Como podemos ver, hay 521.000 registros y solo duró dos o tres segundos, así que es un rendimiento excelente. |
| |
Estos son los modos operativos que vamos a seleccionar. Revisemos nuevamente para confirmar que estamos seleccionando los valores correctos. |
| |
Ajustando Y por X, trazaríamos los contornos de densidad. Así que lo que nos gustaría ver aquí es que la línea de regresión pasa por los centros de la densidad, y esto es un paso. Es una buena opción. |
| |
Lo vamos a extrañar, y ese es el ralentí que decidimos no utilizar. |
| |
Es una bonita línea de regresión. |
| |
Para la producción calificada, faltan los puntos de densidad, por lo que no vamos a utilizar este. |
| |
Se confirma mucho la observación que habíamos tenido con R al cuadrado. |
| |
Así que lo hicimos. ¿Qué sigue? |
| |
Dibujamos los residuos. Residuos de turbinas. |
| |
Analizaríamos los residuos cuando aumentan. Así que hagamos una demostración en vivo. Tendría sentido. |
| |
Así que estamos graficando los residuos de las cinco turbinas, solo para los modos de operación seleccionados. Excluimos el ralentí y el nominal. ¿Qué pasa si graficamos los demás? Para el ralentí, todo está igual; no significa nada, no nos dice nada. |
| |
Lo mismo ocurre con la producción clasificada. No dice nada, no dice mucho. |
| |
Sin embargo, con todo esto en conjunto, |
| |
Podemos ver que los residuos aumentaron en algunas fechas específicas. De hecho, si revisamos el registro de reparaciones, esta fue una reparación, aquella otra, y vemos un aumento gradual considerable. Esta fue una reparación más. |
| |
Turbina 11, no tuvimos problemas con la caja de cambios. Nunca... |
| |
Los residuos nunca aumentaron. |
| |
Y hubo reparaciones en la Turbina 6, por lo que esto puede mostrar algunos problemas que ocurrieron, pero ¿qué fue? |
| |
¿En qué nivel... digamos en qué nivel de residuo hay un problema real? |
| |
Es subjetivo. Tenemos que cuantificarlo. Tenemos que analizar el nivel de residuos que necesita un ingeniero para tomar ciertas medidas. Y en este momento, es una pregunta abierta en la industria, un tema abierto a la investigación. Sin embargo, es una herramienta utilizada para... |
| |
ayudando a los ingenieros. Así que volviendo a |
| |
Nuestra presentación. Las tendencias son para monitorear, y a qué nivel un ingeniero intervendría e intervendría y abriría la caja de cambios. Esa es una decisión de ingeniería. Sin embargo, desde la perspectiva de los datos, estás ayudando a los ingenieros a tomar decisiones. |
| |
En resumen, un proceso complejo tiene múltiples modos de funcionamiento. Cuando queremos monitorear |
| |
En un dispositivo, debemos saber qué modo de funcionamiento vamos a supervisar. Cada modo de funcionamiento resalta una parte de los procesos operativos. |
| |
Métodos de agrupamiento que podemos utilizar para aislar los diferentes modos de funcionamiento. Monitoreo de condición, utilizando los modos de funcionamiento para detectar la degradación, como hicimos nosotros. Monitoreo de subcomponentes. |
| |
En consideración a la ley física, como la que usamos para la razón. Y si el sistema es complejo y no podemos describirlo con una sola ley física, entonces usaríamos otros métodos, como |
| |
K-vecino más cercano o red neuronal. Y está al final de la presentación. Gracias por su atención. |
