756816_zh-TW

liliconcom

工業分析：使用 JMP 對風力渦輪機進行狀態監測和預防性維護 (2021-US-30MP-867)

南阿爾伯塔理工學院分析研究科學家 Alan Rezazadeh

基於狀態的監測 (CBM) 需要複雜的特定功能，用於檢測工業製程中隨時間推移的漸進式變化。使用 SCADA（數據採集與監控系統）進行 CBM 應用是一種新興的大數據分析實踐，用於檢測設備的漸進式性能下降並找到最有效的設備維修時機，這也是預防性維護的組成部分。

JMP 提供了豐富的統計和機器學習工具，可用於風力渦輪機的狀態監測。風力渦輪機將湍流和不確定的風能轉化為高度受控的電能，這是一個多變量過程，包含眾多參數、子組件和相互作用，需要高級分析能力來檢測運行中的細微變化。本文使用 JMP 建構風力渦輪機軸承溫度預測模型。將預測值與實際值進行比較後，殘差可用於狀態監測。預測模型得出的殘差可用於 JMP 製程控制方法，以量化風力渦輪機的性能退化，從而進行決策和監測。本文也涵蓋了主成分分析 (PCA)、聚類、神經網路和非常態分佈等高階統計工具在風電場資料探勘和製程控制中的應用。

自動產生的成績單...

揚聲器	抄本
艾倫·雷札札德	大家好，感謝大家參加本次演講。我叫艾倫‧雷札札德 (Alan Rezazadeh)，任職於南阿爾伯塔理工學院。我的職位是
	一位研究分析科學家。我們將討論工業分析，並舉例說明風力渦輪機及其狀態監測。
	致謝。
	CFREF，加拿大第一研究優秀基金，謝謝你們允許我參加這次會議。
	西班牙EDP再生能源風電場，感謝您分享營運數據，這些數據可免費用於研究和教育。最重要的是，感謝JMP打造了這款出色的統計發現軟體。
	議程。我們將討論工業分析的範圍，以及工業分析所包含的內容
	以及我們如何將工業設備視為一個過程；準備和理解數據；並定義子組件，如何在定義子組件時找到目標；最後將監控退化和性能，稱為基於條件的監控。
	所以，在工業分析領域，我們幾乎涵蓋了所有方面。我們擁有來自感測器的大量時間序列數據，這就是物聯網。
	我們想要進行流程優化、知識發現與決策。基本上，我們想要減少污染，增加產出，例如風力渦輪機或太陽能板的電力，或是我們想要監測工業設備的健康狀況。
	所以第一個想法是，像燃氣渦輪噴氣發動機這樣的複雜機械，本質上是一個過程。有輸入，也有輸出。輸入，也就是燃氣渦輪，是空氣和燃料；輸出是電力和廢氣，某種煙霧和氣體。所以我們要打破這個
	壓縮機、燃燒室和發電機。這是最簡單的情況。現在我們有一個流程和子元件。所以從現在開始，我可能會將“流程”和“設備”這兩個術語互換使用。
	那麼，我們要如何分解這個過程呢？我們希望將其分解成更小、更簡單的子組件，以便我們能夠用數學物理公式（例如空氣動力學或熱力學等）來描述它。
	亞里斯多德說，第一原理，即事物的認知基礎。所以我們要把這些分解成更小的部分。
	這對於噴射發動機或燃氣渦輪機來說，是一個故障週期。因此，正如我們所看到的，隨著時間的推移，會發生一些變化、一些修改，或說一些效能下降。
	這不僅是因為磨損，還可能是由於運作變化，例如氣溫會發生變化，電網的電力需求也會改變。
	因此，設備的運作模式會改變。現在我們要區分運行模式和效能下降，這意味著我們首先要知道什麼是運行模式。
	假設
	風力渦輪機，我們有轉子，
	低速軸，我們有變速箱、發電機和變壓器。
	這是一個複雜的系統；我們將其分解為更小的子組件。
	液壓系統，
	潤滑、冷卻等等。所以這個過程的輸入是風，輸出就是電力。讓我們看看風能與電力的關係，也就是風能產業的電力曲線。所以
	X軸代表風能，也就是風速，縱軸代表功率。這是一條典型的用於分析風力渦輪機的功率曲線。正如我們所見，這是一個複雜的系統。所以，以每秒4公尺的速度，
	系統開始工作。之前，它處於空閒模式，等待風力。 4米/秒是它能夠運作的最低風速，
	所以它會慢慢開始發電。超過12級後，風力會越來越強，所以他們必須減少從風中獲得的能量，而這可以透過改變葉片的角度來實現。
	如果速度超過每秒 25 米，操作設備就會不安全，因此設備會被關閉。
	我們現在有一個現場演示，
	和
	我們將產生功率曲線。
	所以
	風速與功率的關係。正如我們在等值線圖中看到的，高濃度出現在怠速模式和較低風速附近。這就是系統中的風力狀況。
	隨著風速加快，風力也越來越強，產生的電力也越來越多。如果風力過強，它就會關閉。我們可以看到直方圖。如果你想知道如何讓它開啟
	JMP，這很簡單。當速度作為X因子，功率作為Y因子時，按
	渦輪機。
	回到演講上。
	現在我們開始分析數據。首先是單變量分析，我們會分析主要參數，例如風速。
	他們會研究現有的文獻和現有的工程知識，看看是否有描述風的數學和統計模型。
	確實存在一個，風分佈通常符合威布爾分佈。所以我們將風分佈與威布爾分佈進行比較，會發現它們非常接近。
	然而，不同的渦輪機之間存在一些細微的差別，因此存在一點機會，研究優化的機會。
	所以9號渦輪機和6號渦輪機不一樣，所以6號和9號渦輪機產生的風力也不同，這可能是由於渦輪機之間的干擾和相互作用造成的，這很正常。行業內這種情況時有發生。
	這是一個減少尾流的最佳化機會，也是業界眾所周知的話題。
	因此，在單變量分析之後，我們進入典型的數據科學
	預處理。缺失值，有零嗎？這些零真的代表零嗎？還是說它們是缺失值？我們會處理這些；這不是本次演講的主題。至於異常值，我們稍後會稍微討論一下。
	所以
	在我的專案中，我們會刪除任何物理上不可能的值。所以，如果溫度…氣溫記錄為100度，你知道我們並沒有達到100度，所以我們會刪除它。但我們不會根據自己的判斷更改其他數據，所以我們會保留它們。
	還有日期/時間收斂，所以我們會進行一些日期/時間轉換，以適應 JMP 格式。這些轉換基本上是標準的。所以，一種統一的方法是
	多元異常值分析是馬氏方法，JMP 對此提供了很好的支持，我們接下來會講解一下。基本上，如果我們有四個參數，我們就會得到一個輸出
	我們來看看這個。馬哈拉諾比斯分佈，這些是異常值。我們不會移除這些異常值，但這些是我們會重點關注的要點。所以，為了演示，
	使用
	圖形產生器，我們可以輕鬆地繪製它們與馬氏曲線的關係並檢查不同的渦輪機。
	比如說，這裡有一個小峰值。它超過了控制上限，所以它是一個異常值。我們會檢查它，看看發生了什麼，你可以看到參數是如何變化的。
	為了得到這個馬氏距離，我們可以使用 JMP 的多變量特徵，
	生產
	根據異常值分析、馬氏機率，然後將其保存到數據中。
	回到演講上。
	完成預處理後，
	我們將開始數據發現。我們想看看數據告訴我們什麼，所以我簡單介紹了一下功率曲線的背景，以及流程是如何運作的。現在讓我們稍微正式一點。
	一開始是空轉，等待更強的風。所以風有點大。我們啟動。轉速增加，風也更大了。
	我們連接到電網，這意味著渦輪機與發電機連接。現在發電機有足夠的轉速，它就能連接到電網並發電。
	風速增加。我們生產的電力不錯，但還沒達到最大值。隨著風力增強，我們達到了最大發電量。
	發電。隨著風力越來越強，我們不得不減少從風中獲得的能量，或者我們可能因為風力過強而完全停止發電。
	隨著情況穩定下來，風力再次減弱，我們進入空轉狀態。所以這是一個循環；這是一個流程圖。現在讓我們用數據來解釋一下。
	所以這裡是一個三維資料停車模式，我們在等待，在空轉。我們在等待，在停車，我們不在操作。
	轉子加速，產生最小的電力。這是連接，產生低於額定值的
	並進行評級。如果天氣變得太強，他們就會再次去停車場並停止運作。所以我們現在看到的是集群
	並比較 AIC。因此，如果我們有一個、兩個或三個聚類，我們會比較聚類結果，然後選取能夠給出
	最好……我不能說最好……誤差最小，但數值也不算太高。所以，讓我們實際看看它的效果如何。
	所以我們正在進行聚類，最多可以聚類到10個。我不想在演示中花太長時間。大約需要10到15秒。所以我們在Turbine 1中尋找聚類。
	所以
	每個集群基本上是
	這樣，我們就能知道這台渦輪機是如何運作的了。所以我們得到了AIC與簇數的關係。
	我會
	繪製圖表
	AIC 與聚類數量。
	所以它並沒有想像中那麼順利，因為我確實用了不少迭代和工具，速度確實很快。然而，對於製作和實際工作來說，這可能需要更長的時間。
	所以，正如我們在6、7、8上看到的，這是一個不錯的聚類數量，而誤差卻下降了。誤差會稍微下降更多
	然而，如果我們繼續使用更多的聚類，它會增加複雜性，如果我們增加太多，它可能會變得過度擬合。
	所以
	現在
	我們繪製它們。
	這是針對渦輪機 1 的情況，當我們繪製它們時，我們可以看到，存在一些轉變，那就是當我們從大風轉為停車時，因為風太大了。
	回到演講上。
	那麼，多少個簇才是正確的數量呢？如果只有一個簇，那麼所有簇都屬於一個組，對吧？這不關我們的事。
	如果有兩個簇，我們可以看到演算法正在挑選這組。我們稱之為空轉，只是等待。或者有三個簇，即停機、旋翼加速和運行，所以演算法會挑選這三個簇。
	如果我們考慮六、七或八個，它們最有意義。我選了六個，但對於這個演示來說，這個數字很小。營運工程師可能會選更多，八到九個。
	這是一個現場演示，我們已經看過了。
	分層、K平均值和常態分佈。對於工業項目，我通常使用常態分佈的混合。
	對於商業項目來說，分層結構非常有意義，因為它可以很好地分解邏輯。 K均值法計算量大，處理大型資料集時會非常耗時。
	因此，常態混合的假設是，聚類在常態分佈下是凸的，這意味著它們只有一個峰值。事實也確實如此。
	在…當我們有一種運行模式時，它通常在一個中心內以這種運行模式運行，所以正常混合是安全的
	用於聚類的演算法。
	現在，我們來談談狀態監測。我們已經完成了所有的聚類，好嗎？我們要用它們做什麼呢？
	讓我們來談談他們在這裡要監控什麼。
	隨著變速箱中齒輪的運轉，變速箱內會有一個接觸點。由於磨損，這個接觸點可能會隨著時間的推移而移動。這正是我們想要找到的。然而，
	如果腹線正在努力工作，並且有如此大的扭矩，那麼接觸點可能會與扭矩不那麼強時不同，並且
	風力沒那麼強。所以這又意味著運行模式。我們希望在同一個運行模式下比較這些觸點，而不是在運行模式差異太大的情況下。所以對於這個
	監測，我們可以使用簡單的線性迴歸。
	因此進行線性迴歸
	基於不同的運轉模式。因此對於電網連接，
	R平方為99.6%。我們可以看出，這是一個很好的近似值。這是一條很好的迴歸線。
	99.993。這是一個很好的 R 平方，所以我們就用這個值。
	對於額定操作，
	我們沒有得到好的 R 平方，所以我們會排除它。實際上，我們會把這個運行模式中，那些能給我們想要進行的分析提供良好 R 平方的變數放在一起。現在回到演示。
	這基本上就是老式的線性迴歸。它只用了幾秒鐘就完成了。我們可以看到，521,000 筆記錄，整個過程只用了兩三秒，性能非常出色。
	這些就是我們要選擇的操作模式。讓我們再看一下，確認一下我們選擇的值是否正確。
	用 X 擬合 Y，我們可以繪製密度等值線。我們希望看到的是迴歸線穿過密度中心，這條線正好穿過了。這是一條不錯的曲線。
	它將錯過它，這就是我們選擇不使用的空轉。
	這是一條很好的迴歸線。
	對於額定產量，它缺少密度點，所以我們不會使用這個。
	這充分證實了我們透過 R 平方所觀察到的結果。
	所以我們這麼做了。接下來會怎樣？
	我們畫出殘差。渦輪機的殘差。
	當殘差增加時，我們會分析殘差。我們來做一個現場示範。這樣就說得通了。
	因此，我們繪製了所有五颱風力發電機組在選定運行模式下的殘差。因此，我們排除了空轉和額定運轉模式。如果我們繪製其他運行模式的殘差，結果會如何？對於空轉模式，一切都結束了，它沒有任何意義，也沒有告訴我們任何資訊。
	額定產量也是一樣。它什麼都沒說，也沒說多少。
	然而，同時，
	我們可以看到殘差在某些特定日期增加。實際上，如果我們查看維修日誌，就會發現這是一次維修，那是另一次維修，我們可以看到殘差值明顯逐漸增加。這又一次維修。
	11號渦輪機，我們的變速箱沒有問題。它從來沒有…
	殘差從未增加。
	並且對 6 號渦輪機進行了維修，因此這可能顯示發生了一些問題，但它是什麼...
	在什麼水平...讓我們說說殘留在什麼水平上是一個真正的問題。
	這是主觀的。我們必須量化。我們必須考慮工程師需要多大的殘差等級才能採取行動。目前，這在業界還是一個懸而未決的問題，一個有待研究的課題。然而，它是一種用於
	幫助工程師。所以回到
	我們的演示。所以趨勢是為了監控，以及工程師在什麼程度上會採取行動，實際幹預並打開變速箱。這是一個工程決策。然而，從數據的角度來看，你是在幫助工程師做出決策。
	總而言之，一個複雜的過程有多種操作模式。當我們想要監控
	對於一台設備，我們必須知道要監控哪種運作模式。每種運行模式都突出顯示了部分運行流程。
	我們可以使用聚類方法來隔離不同的運行模式。狀態監測，就像我們之前所做的那樣，使用運行模式來檢測效能下降。監控子組件
	考慮物理定律，就像我們用於比率的方法一樣。如果系統很複雜，我們無法用一條物理定律來描述它，那麼我們會使用其他方法，例如
	K最近鄰或神經網路。這部分內容已經接近演講的尾聲了，謝謝大家的注意。

進階統計建模基礎資料分析與建模消費者與市場研究資料混合與清理數據探索與視覺化大規模客製化預測模型和機器學習品質與工藝工程可靠度分析分享和交流成果