Lợi nhuận:
- Giải thích giá trị kinh doanh của các phương thức hỏng hóc, dữ liệu cảm biến và bảo trì dự đoán trong thiết bị năng lượng.
- Khả năng định cấu hình phát hiện bất thường, ước tính tuổi thọ hữu ích còn lại và ưu tiên cảnh báo bằng trí tuệ nhân tạo
- Khả năng quản lý cảnh báo sai/cân bằng lỗi bị bỏ sót và cần có sự chấp thuận của chuyên gia trong các quyết định bảo trì
Sự cố thiết bị trong hệ thống điện rất tốn kém và đôi khi nguy hiểm: một vụ nổ máy biến áp điện gây thiệt hại hàng triệu đô la và mất điện kéo dài; Hộp số tuabin gió bị hỏng có nghĩa là sản lượng bị mất hàng tháng trời. Bảo trì thông thường hoạt động theo logic "sửa chữa khi nó bị hỏng" (bảo trì sự cố) hoặc "thay thế theo lịch trình" (bảo trì định kỳ); Cả hai đều can thiệp quá muộn hoặc quá sớm. Bảo trì dự đoán nhằm mục đích liên tục theo dõi tình trạng thực tế của thiết bị, dự đoán sự cố trước khi nó xảy ra và can thiệp kịp thời. Trí tuệ nhân tạo là một công cụ mạnh mẽ trong việc xử lý hàng loạt cảm biến và tạo ra cái nhìn sâu sắc này. Trong phần này, chúng ta sẽ tìm hiểu về các chế độ hư hỏng, phát hiện bất thường được hỗ trợ bởi AI và ước tính tuổi thọ còn lại cũng như các giới hạn của chúng.
Chế độ lỗi và dữ liệu cảm biến
Cơ sở của bảo trì dự đoán là thiết bị để lại dấu vết khi nó bị hỏng. Sự cố không xảy ra đột ngột mà thường phát triển như một quá trình và quá trình này tạo ra các triệu chứng có thể đo lường được.
- Máy biến áp điện: Nhiệt độ dầu, tải trọng và đặc biệt là phân tích khí hòa tan (DGA; đo lượng khí tích lũy trong dầu). Sự gia tăng một số loại khí nhất định cho thấy hiện tượng hồ quang bên trong, quá nhiệt hoặc suy giảm khả năng cách điện.
- Tua bin gió: Độ rung của hộp số và ổ trục, nhiệt độ, các hạt dầu, độ lệch so với đường cong công suất. Sự xuống cấp của ổ trục tạo ra tần số rung đặc trưng.
- Cáp và đường dây: Phóng điện cục bộ (phóng điện nhỏ trong lớp cách điện), nhiệt độ.
- Cầu dao và thiết bị đóng cắt: Số lượng công tắc bật tắt, thời gian mở, điện trở tiếp điểm.
Trí tuệ nhân tạo nắm bắt các xu hướng tinh tế và mô hình đa biến trong những tín hiệu này mà mắt người có thể bỏ qua. Sự bất thường là độ lệch thống kê của dữ liệu so với hành vi bình thường; Đây thường là tín hiệu đầu tiên của việc bảo trì dự đoán.
Mẹo: Bảo trì dự đoán tốt bắt đầu bằng việc hiểu rõ "bình thường". Không thể nhận ra độ lệch nếu không biết loại tín hiệu cảm biến nào mà một thiết bị tạo ra khi hoạt động bình thường. Vì vậy, việc đầu tư đầu tiên là thiết lập một nền tảng trong sạch về “hành vi lành mạnh”.
Hai nhiệm vụ thiết yếu: Phát hiện dị thường và duy trì sự sống
Trí tuệ nhân tạo có hai nhiệm vụ chính trong bảo trì dự đoán.
Phát hiện sớm sự bất thường khi thiết bị đi chệch hướng so với bình thường. Mô hình tìm hiểu hành vi lành mạnh và kiểm tra dữ liệu đến dựa trên hành vi đó; độ lệch tạo ra một báo động. Thông số quan trọng nhất ở đây là ngưỡng: độ lệch bao nhiêu được coi là một cảnh báo?
Thời gian sử dụng còn lại (RUL) là ước tính thời gian sử dụng của thiết bị cho đến khi hỏng hóc. Điều này cho phép lập kế hoạch bảo trì (đặt hàng các bộ phận, thời gian ngừng hoạt động). Ước tính RUL vốn không chắc chắn và cần được đưa ra trong một phạm vi.
Cảnh báo sai/Cân bằng lỗi bị thiếu
Trọng tâm của việc bảo trì dự đoán là sự cân bằng. Báo động sai (dương tính giả) đang tạo ra báo động khi không có lỗi; Nó dẫn đến việc bảo trì không cần thiết, lãng phí thời gian ngừng hoạt động và – nguy hiểm nhất – nhóm mất niềm tin vào các cảnh báo (“hiệu ứng “sói đã đến”). Lỗi bị bỏ sót (âm tính giả) là lỗi không dự đoán được lỗi thực tế; Vụ nổ bất ngờ đồng nghĩa với thiệt hại và rủi ro về an toàn.
Nếu bạn hạ thấp ngưỡng, lỗi bị bỏ sót sẽ giảm nhưng cảnh báo sai sẽ tăng lên; Nếu bạn tăng nó, điều ngược lại sẽ xảy ra. Ngưỡng chính xác được đặt theo chi phí của hai sự cố này: chi phí do lỗi của máy biến áp phân phối cao hơn nhiều so với chi phí của đèn đường, do đó, ngưỡng này được giữ nhạy hơn (dễ xảy ra cảnh báo sai hơn) trong các thiết bị quan trọng.
Thận trọng: Nói "mô hình chính xác 95%" là gây hiểu lầm trong bảo trì dự đoán. Bởi vì lỗi rất hiếm, ngay cả một mô hình không tạo ra cảnh báo cũng có thể "chính xác" tới 95% - nhưng nó sẽ không phát hiện được dù chỉ một lỗi thực tế. Do đó, thành công được đo lường riêng lẻ bằng lỗi thất bại và tỷ lệ cảnh báo sai chứ không phải bằng độ chính xác tổng thể.
Từng bước: Bảo trì dự đoán được hỗ trợ bởi AI
Bước 1 - Thiết lập nền tảng lành mạnh. Tìm hiểu dấu hiệu hoạt động bình thường của thiết bị với đầy đủ dữ liệu.
Bước 2 - Chọn và xác minh cảm biến. Tín hiệu phù hợp với chế độ lỗi (rung, DGA, nhiệt độ); hiệu chuẩn cảm biến được kiểm tra.
Bước 3 - Xây dựng một mô hình bất thường. Mô hình phát hiện sai lệch so với bình thường; Ngưỡng được đặt dựa trên mức độ quan trọng của thiết bị.
Bước 4 - Ưu tiên báo động. Không phải tất cả những sai lệch đều có mức độ khẩn cấp như nhau; AI sắp xếp các cảnh báo theo mức độ nghiêm trọng và loại lỗi có thể xảy ra.
Bước 5 - Xác minh của chuyên gia. Mọi cảnh báo quan trọng đều được chuyển đến kỹ sư bảo trì để xem xét; AI không chẩn đoán, nó đưa ra các giả thuyết và ưu tiên.
Bước 6 - Phản hồi. Lỗi thực tế/kết quả bình thường được phản hồi lại mô hình; Ngưỡng và mô hình được cải thiện.
Ba trường hợp nhỏ: Bằng những con số
Trường hợp 1 - Cảnh báo sớm máy biến áp. Trong dữ liệu DGA của máy biến áp điện, AI ghi lại mức tăng chậm nhưng ổn định của một số loại khí (ethylene); một phép đo duy nhất nằm trong phạm vi bình thường, nhưng xu hướng là bất thường. Đánh giá của chuyên gia đã tìm thấy điểm nóng (kết nối quá nóng). Sự cố có thể xảy ra đã được ngăn chặn bằng sự can thiệp có kế hoạch; Thiệt hại ước tính tránh được vào khoảng vài triệu lira.
Trường hợp 2 – Con sói xuất hiện. Ở một trường gió, ngưỡng được đặt quá thấp; Mô hình này đã tạo ra hàng chục cảnh báo rung sai mỗi tuần. Theo thời gian, nhóm nghiên cứu bắt đầu bỏ qua các cảnh báo và bỏ sót một hư hỏng vòng bi thực sự. Khi ngưỡng được hiệu chỉnh lại dựa trên các lỗi thực tế trong dữ liệu lịch sử, các cảnh báo sai giảm xuống còn một cảnh báo mỗi tuần và độ tin cậy đã quay trở lại.
Trường hợp 3 - Phạm vi RUL. Đối với hộp số, mẫu xe cho biết "tuổi thọ còn lại là khoảng 6 tuần" nhưng là số lẻ. Trên thực tế, sự không chắc chắn đã tăng lên; Bộ phận đã đến vào tuần thứ 9, sự cố xảy ra vào tuần thứ 5 và xảy ra tình trạng ngừng hoạt động ngoài kế hoạch. Trong bài tập tiếp theo, RUL được đưa ra một khoảng thời gian ("3-8 tuần, độ tin cậy 80%) và thứ tự các bộ phận được đưa ra dựa trên tình huống xấu nhất hợp lý.
Nhắc yếu / Nhắc mạnh
Dấu nhắc yếu:
Nhìn vào dữ liệu rung động này, có trục trặc gì không?[dữ liệu]
Lời nhắc mạnh mẽ:
Vai trò của bạn: Nhà phân tích bảo trì dự đoán. Thiết bị: hộp số tuabin gió.- Đầu tiên tóm tắt hành vi bình thường (lành mạnh) trong dữ liệu; xác định sự bất thường chống lại nó.- Ưu tiên các sai lệch theo mức độ nghiêm trọng và loại lỗi có thể xảy ra; KHÔNG đưa ra chẩn đoán xác định, tạo ra các giả thuyết. - Đối với mỗi giả thuyết, hãy chỉ ra phép đo/kiểm tra bổ sung nào sẽ xác nhận giả thuyết đó. - Xem xét sự cân bằng giữa cảnh báo sai và lỗi bị bỏ lỡ; Chứng minh ngưỡng đề xuất của bạn dựa trên mức độ quan trọng của thiết bị này. - Nếu yêu cầu RUL, hãy đưa ra khoảng tin cậy chứ không phải một con số. Dữ liệu: [chuỗi rung/nhiệt độ]
Lời nhắc mạnh mẽ xác định mức bình thường trước tiên, yêu cầu các giả thuyết thay vì chẩn đoán, thêm bước xác minh và độ lệch ngưỡng, nhắc RUL theo từng khoảng thời gian — tránh những cạm bẫy kinh điển của việc bảo trì dự đoán ngay từ đầu.
Bốn mẫu có thể sao chép
1) Chiết xuất cơ bản lành mạnh:
Trích xuất dấu hiệu vận hành bình thường/khỏe mạnh từ dữ liệu của thiết bị này: phạm vi điển hình, biến đổi phụ thuộc theo mùa/tải. Sau đó xác định sự bất thường trên cơ sở này. Phân biệt những thay đổi có thể được giải thích bằng tải trọng hoặc nhiệt độ với những bất thường thực sự.
2) Ưu tiên cảnh báo:
Ưu tiên các sai lệch sau theo mức độ nghiêm trọng, tốc độ phát triển và loại lỗi có thể xảy ra. Đối với từng: mức độ khẩn cấp (khẩn cấp/giám sát/bình thường), giả thuyết nguyên nhân có thể xảy ra và bước xác minh. Đưa ra chẩn đoán xác định; Một ghi chú quyết định được cấp cho kỹ sư bảo trì.
3) Phân tích cân bằng ngưỡng:
Hiển thị dữ liệu lịch sử về tác động của các ngưỡng khác nhau đối với số lượng cảnh báo sai và lỗi bị bỏ sót đối với điểm bất thường này. Đề xuất và biện minh cho các ngưỡng có tính đến mức độ quan trọng của thiết bị ([cao/trung bình/thấp]). Hãy xem xét hai loại lỗi riêng biệt chứ không phải độ chính xác tổng thể.
4) Báo cáo độ không đảm bảo của RUL:
Đưa ra ước tính của bạn về thời gian sử dụng hữu ích còn lại với phạm vi và mức độ tin cậy. Khi nào có thể xảy ra thất bại trong “kịch bản xấu nhất”? Đề xuất mua sắm linh kiện và lập kế hoạch ngừng hoạt động dựa trên tình huống xấu nhất này.
Chế độ lỗi và bảng tín hiệu
thiết bị
tín hiệu giám sát
triệu chứng sớm
máy biến áp điện
DGA, nhiệt độ dầu
Gas tăng, điểm nóng
tua bin gió
Rung động, hạt dầu
Tần số vòng bi/bánh răng
cáp/đường dây
Xả cục bộ, nhiệt độ
sự suy giảm cách điện
máy cắt
Thời gian mở, điện trở tiếp xúc
Giảm tốc cơ học
máy phát điện
Độ rung, nhiệt độ, dòng điện
mất cân bằng, ma sát
Những lỗi thường gặp
- Dựa vào độ chính xác chung. Vì lỗi rất hiếm nên thậm chí “không có báo động” cũng cho thấy độ chính xác cao; Lỗi bị bỏ sót phải được đo riêng.
- Đặt ngưỡng không chính xác. Ngưỡng quá thấp sẽ dẫn đến hiệu ứng “sói đã đến”, ngưỡng quá cao sẽ dẫn đến lỗi bỏ sót.
- Có chẩn đoán AI. AI tạo ra các giả thuyết và ưu tiên; Quyết định chẩn đoán và can thiệp cuối cùng thuộc về bác sĩ chuyên khoa.
- Cho RUL một số lẻ. Ước tính trọn đời được đưa ra mà không có khoảng thời gian không chắc chắn sẽ dẫn đến ngừng hoạt động ngoài dự kiến.
- Tìm kiếm sự bất thường mà không nhận ra điều bình thường. Việc phát hiện mà không thiết lập nền tảng vững chắc có thể nhầm lẫn sự thay đổi tải/theo mùa là một trục trặc.
Tóm lại
Bảo trì dự đoán nhằm mục đích can thiệp kịp thời bằng cách dự đoán sự cố từ dấu vết cảm biến của thiết bị. Trí tuệ nhân tạo có sức mạnh trong việc phát hiện dị thường và dự đoán sự sống còn lại; nhưng thành công của nó được đo lường không phải bằng độ chính xác tổng thể mà bằng sự cân bằng giữa các cảnh báo sai và lỗi bị bỏ sót. Ngưỡng được đặt dựa trên mức độ quan trọng của thiết bị, AI tạo ra các giả thuyết thay vì chẩn đoán, RUL được đặt cách nhau và mọi cảnh báo quan trọng đều được chuyển đến xác minh của chuyên gia.
Nhiệm vụ ứng dụng
Nhận chuỗi thời gian cảm biến của một thiết bị (máy biến áp, tua bin, động cơ). Yêu cầu phân tích từ AI với các mẫu “Trích xuất đường cơ sở lành mạnh” và “Ưu tiên cảnh báo”. Hãy chắc chắn rằng bạn xác định bình thường trước; Sau đó hãy tự hỏi liệu bất kỳ sai lệch nào được tìm thấy có thể được giải thích bằng tải trọng hoặc nhiệt độ hay không. Chọn một ngưỡng và ghi ngưỡng đó thay đổi cân bằng báo động sai/lỗi bị lỗi như thế nào.
danh sách kiểm tra
- [ ] Tôi đã xác định cơ sở cho hoạt động lành mạnh/bình thường của thiết bị
- [ ] Tôi đã chọn tín hiệu cảm biến phù hợp với chế độ lỗi và cân nhắc hiệu chuẩn
- [ ] Tôi đã tách sự bất thường khỏi hiệu ứng tải/mùa
- [ ] Tôi xác định ngưỡng dựa trên mức độ nghiêm trọng của thiết bị và chi phí của hai loại lỗi
- [ ] Tôi đã xem xét tỷ lệ cảnh báo sai/bỏ sót hơn là độ chính xác tổng thể
- [ ] Tôi yêu cầu AI đưa ra giả thuyết và bước xác minh chứ không phải chẩn đoán
- [ ] Tôi đã trình bày ước tính RUL với khoảng tin cậy và được chuyên gia phê duyệt