Печалби:
- Обяснете бизнес стойността на режимите на отказ, данните от сензорите и прогнозната поддръжка в енергийното оборудване.
- Възможност за конфигуриране на откриване на аномалии, оценка на оставащия полезен живот и приоритизиране на алармата с изкуствен интелект
- Възможност за управление на баланса на фалшиви аларми/пропуснати грешки и необходимостта от експертно одобрение при решения за поддръжка
Повредата на оборудването в енергийната система е скъпа и понякога опасна: експлозия на силов трансформатор причинява щети за милиони долари и дълги прекъсвания; Счупването на скоростна кутия на вятърна турбина означава месеци загуба на производство. Конвенционалната поддръжка работи или по логиката „поправи го, когато се повреди“ (поддръжка при повреда) или „замени по график“ (периодична поддръжка); И двете се намесват твърде късно или твърде рано. Предвидителната поддръжка има за цел постоянно да следи действителното състояние на оборудването, да предвиди неизправността, преди да се появи, и да се намеси точно навреме. Изкуственият интелект е мощен инструмент за обработка на потока от сензори и създаване на това прозрение. В тази част ще научим за режимите на повреда, откриването на аномалии с помощта на AI и оценката на оставащия живот, както и техните ограничения.
Режими на повреда и данни от сензора
Основата на предсказуемата поддръжка е фактът, че оборудването оставя следи, докато се поврежда. Неизправността не възниква внезапно, а обикновено се развива като процес и този процес произвежда измерими симптоми.
- Силов трансформатор: Температура на маслото, натоварване и особено анализ на разтворения газ (DGA; измерване на газове, натрупани в маслото). Увеличаването на определени газове показва вътрешна дъга, прегряване или влошаване на изолацията.
- Вятърна турбина: Вибрации на скоростната кутия и лагера, температура, маслени частици, отклонение от кривата на мощността. Деградацията на лагера води до характерни честоти на вибрации.
- Кабел и линия: частичен разряд (малки електрически разряди в изолацията), температура.
- Прекъсвач и разпределителна апаратура: Брой превключватели за включване и изключване, време на отваряне, контактно съпротивление.
Изкуственият интелект улавя фините тенденции и многовариантни модели в тези сигнали, които човешкото око би пропуснало. Аномалия е статистическо отклонение на данните от нормалното поведение; Това често е първият сигнал за предупредителна поддръжка.
Съвет: Добрата предсказуема поддръжка започва с добро познаване на „нормалното“. Не е възможно да се разпознае отклонение, без да се знае какъв вид сензорна сигнатура произвежда част от оборудването, когато работи правилно. Така че първата инвестиция е да се създаде чиста основа на „здравословно поведение“.
Две основни задачи: откриване на аномалия и оставащ живот
Изкуственият интелект има две основни задачи при прогнозната поддръжка.
Откриването на аномалии е ранно откриване, когато оборудването се отклонява от нормалното. Моделът научава здравословно поведение и тества входящите данни срещу него; отклонението генерира аларма. Най-критичният параметър тук е прагът: колко отклонение се счита за аларма?
Оставащият полезен живот (RUL) е приблизителна оценка за това колко време има оборудването до повреда. Това позволява да се планира поддръжка (поръчване на части, период на прекъсване). Оценката на RUL по своята същност е несигурна и трябва да бъде дадена с диапазон.
Баланс на фалшива аларма/пропусната грешка
В основата на предсказуемата поддръжка е балансът. Фалшива аларма (фалшива положителна) предизвиква аларма, когато няма повреда; Това води до ненужна поддръжка, пропиляно време на престой и – най-опасното – загуба на доверие на екипа в алармите (ефектът „вълкът пристигна“). Пропусната повреда (фалшиво отрицателна) е невъзможност да се предвиди действителната повреда; Неочаквана експлозия означава щети и риск за безопасността.
Ако намалите прага, пропуснатите грешки намаляват, но фалшивите аларми се увеличават; Ако го увеличите, се получава обратното. Правилният праг се задава според цената на тези две повреди: цената на пропусната повреда на разпределителен трансформатор е много по-висока от тази на улична лампа, така че прагът се поддържа по-чувствителен (по-податлив на фалшиви аларми) в критично оборудване.
Внимание: Твърдението, че „моделът е 95 процента точен“ е подвеждащо при прогнозната поддръжка. Тъй като повреди са рядкост, дори модел, който не произвежда аларми, може да бъде 95 процента "точен" - но той няма да улови дори един действителен отказ. Следователно успехът се измерва индивидуално чрез пропуснати грешки и честота на фалшиви аларми, а не чрез обща точност.
Стъпка по стъпка: Предсказуема поддръжка, задвижвана от AI
Стъпка 1 — Създайте здрава основа. Научете нормалната сигнатура на работа на оборудването с достатъчно данни.
Стъпка 2 — Изберете и проверете сензори. Сигнали, съответстващи на режима на повреда (вибрация, DGA, температура); проверено е калибрирането на сензора.
Стъпка 3 — Изградете модел на аномалия. Модел, който открива отклонение от нормалното; Прагът се задава въз основа на критичността на оборудването.
Стъпка 4 — Приоритизиране на алармите. Не всички отклонения са с еднаква спешност; AI сортира алармите по тежест и възможен тип повреда.
Стъпка 5 — Експертна проверка. Всяка значима аларма отива при инженера по поддръжката за преглед; AI не диагностицира, той предлага хипотези и приоритети.
Стъпка 6 — Обратна връзка. Действителната грешка/нормалните резултати се връщат към модела; Прагът и моделът са подобрени.
Три мини калъфа: с числата
Случай 1 — Ранно предупреждение за трансформатор. В DGA данни за силов трансформатор AI улови бавно, но стабилно увеличение на определени газове (етилен); едно измерване беше в рамките на нормалния диапазон, но тенденцията беше необичайна. Експертният преглед установи гореща точка (прегряване на връзката). Възможна неизправност е предотвратена чрез планирана намеса; Очакваните избегнати щети са от порядъка на няколко милиона лири.
Случай 2 — Вълкът дойде ефект. В едно поле на вятъра прагът е зададен твърде ниско; Моделът произвеждаше десетки фалшиви вибрационни аларми на седмица. С течение на времето екипът започна да игнорира алармите и пропусна действителна повреда на лагера. Когато прагът беше прекалибриран въз основа на действителни грешки в историческите данни, фалшивите аларми спаднаха до една на седмица и доверието се върна.
Случай 3 — RUL диапазон. За скоростна кутия моделът каза, че "оставащият живот е приблизително 6 седмици", но като нечетно число. Всъщност несигурността се е увеличила; Частта пристигна на 9-та седмица, повредата настъпи на 5-та седмица и имаше непланирано прекъсване. В следващото упражнение RUL беше даден с интервал („3-8 седмици, 80 процента увереност“) и поръчката на частите беше преместена напред въз основа на разумен най-лош сценарий.
Слаба подкана / Силна подкана
Слаба подкана:
Вижте тези данни за вибрациите, има ли някаква неизправност? [данни]
Мощна подкана:
Вашата роля: Анализатор за прогнозна поддръжка. Оборудване: скоростна кутия на вятърна турбина.- Първо обобщете нормалното (здравословно) поведение в данните; идентифицирайте аномалията спрямо нея.- Приоритизирайте отклоненията по тежест и възможен тип повреда; НЕ поставяйте окончателна диагноза, генерирайте хипотези. - За всяка хипотеза посочете кое допълнително измерване/изследване ще я потвърди. - Обмислете баланса на фалшивите аларми и пропуснатите грешки; Обосновете вашата препоръка за праг въз основа на критичността на това оборудване. - Ако се изисква RUL, дайте го с доверителен интервал, а не с едно число. Данни: [серия вибрации/температура]
Мощната подкана дефинира първо нормалното, пита за хипотези вместо диагнози, добавя стъпка за проверка и отместване на прага, подканва RUL на интервали — избягвайки класическите капани на предсказуемата поддръжка от самото начало.
Четири копируеми шаблона
1) Здравословно основно извличане:
Извлечете сигнатурата за нормална/здравословна работа от данните на това оборудване: типични диапазони, вариации в зависимост от сезона/натоварването. След това дефинирайте аномалията на тази основа. Разграничете промените, които могат да се обяснят с натоварване или температура, от истинските аномалии.
2) Приоритетизиране на алармата:
Приоритизирайте следните отклонения по тежест, скорост на развитие и възможен тип повреда. За всеки: спешност (спешно/монитор/нормално), вероятни хипотези за причина и стъпка за проверка. Поставяне на окончателна диагноза; Издава се бележка за решение на инженера по поддръжката.
3) Анализ на праговия баланс:
Покажете с исторически данни влиянието на различните прагове върху броя на фалшивите аларми и пропуснатите грешки за този резултат на аномалия. Предложете и обосновете прагове, като вземете предвид критичността на оборудването ([висока/средна/ниска]). Разгледайте двата вида грешки поотделно, а не цялостната точност.
4) Доклад за несигурност на RUL:
Дайте своята оценка за оставащия полезен живот с диапазон и ниво на достоверност. Кога да очакваме провал в "най-лошия възможен сценарий"? Препоръчайте доставка на части и планиране на прекъсвания въз основа на този най-лош сценарий.
Режим на повреда и таблица на сигналите
оборудване
наблюдаван сигнал
ранен симптом
силов трансформатор
DGA, температура на маслото
Увеличаване на газовете, гореща точка
вятърна турбина
Вибрации, маслени частици
Честота на лагера/предавката
кабел/линия
Частичен разряд, температура
влошаване на изолацията
фреза
Време на отваряне, контактно съпротивление
Механично забавяне
генератор
Вибрация, температура, ток
дисбаланс, триене
Често срещани грешки
- Разчитайки на общата точност. Тъй като отказите са редки, дори „без аларма“ показва висока точност; Пропуснатата грешка трябва да се измери отделно.
- Неправилно задаване на прага. Твърде нисък праг ще доведе до ефект "вълкът пристигна", твърде висок праг ще доведе до пропусната грешка.
- Наличие на AI диагностика. AI генерира хипотези и приоритети; Окончателната диагноза и решението за интервенция принадлежат на специалиста.
- Даване на RUL нечетно число. Оценката за продължителността на живота, дадена без интервал на несигурност, ще доведе до непланирано прекъсване.
- Търсене на аномалии без разпознаване на нормалното. Откриването, направено без установяване на здрава основа, може да обърка натоварването/сезонната промяна като неизправност.
В обобщение
Прогнозната поддръжка има за цел да се намеси точно навреме, като предвиди неизправността от сензорните следи на оборудването. Изкуственият интелект е мощен при откриване на аномалии и прогнозиране на оставащия живот; но неговият успех се измерва не с цялостната точност, а с баланса на фалшивите аларми и пропуснатите грешки. Прагът се задава въз основа на критичността на оборудването, AI генерира хипотези, а не диагнози, RUL е разпределен и всяка значима аларма преминава към експертна проверка.
Задача за приложение
Вземете времева серия от сензори за част от оборудването (трансформатор, турбина, двигател). Поискайте анализ от AI с шаблоните „Извличане на здравословна базова линия“ и „Приоритетизиране на алармата“. Уверете се, че първо дефинирате нормално; След това се запитайте дали всяко установено отклонение може да се обясни с натоварване или температура. Изберете праг и напишете как този праг променя баланса фалшива аларма/пропусната грешка.
контролен списък
- [ ] Определих основата за здравословно/нормално поведение на оборудването
- [ ] Избрах сензорни сигнали, подходящи за режима на повреда, и обмислих калибриране
- [ ] Отделих аномалията от ефекта натоварване/сезон
- [ ] Определих прага въз основа на критичността на оборудването и цената на двата вида отказ
- [ ] Гледах фалшива аларма/пропуснати нива на неуспех, а не обща точност
- [ ] Поисках AI за хипотеза и стъпка за проверка, а не за диагноза
- [ ] Представих оценката на RUL с доверителен интервал и подлежи на експертно одобрение