سود:
- ارزش تجاری حالت های خرابی، داده های حسگر و نگهداری پیش بینی شده در تجهیزات انرژی را توضیح دهید.
- امکان پیکربندی تشخیص ناهنجاری، تخمین عمر مفید باقیمانده و اولویت بندی هشدار با هوش مصنوعی
- توانایی مدیریت هشدار نادرست / تعادل خطا از دست رفته و نیاز به تایید متخصص در تصمیم گیری های تعمیر و نگهداری
خرابی تجهیزات در یک سیستم قدرت گران و گاهی خطرناک است: انفجار ترانسفورماتور قدرت باعث خسارت میلیون ها دلاری و قطعی طولانی مدت می شود. شکستن گیربکس توربین بادی به معنای ماه ها از دست رفتن تولید است. تعمیر و نگهداری متعارف بر اساس منطق "تعمیر در هنگام خرابی" (تعمیر و نگهداری خرابی) یا "تعویض بر اساس برنامه" (تعمیر و نگهداری دوره ای) عمل می کند. هر دو یا خیلی دیر یا خیلی زود مداخله می کنند. هدف از تعمیر و نگهداری پیشبینی، نظارت مداوم بر وضعیت واقعی تجهیزات، پیشبینی خرابی قبل از وقوع، و مداخله به موقع است. هوش مصنوعی ابزاری قدرتمند در پردازش سیل حسگرها و تولید این بینش است. در این بخش، با حالت های خرابی، تشخیص ناهنجاری به کمک هوش مصنوعی و تخمین عمر باقیمانده و محدودیت های آنها آشنا می شویم.
حالت های خرابی و داده های حسگر
اساس تعمیر و نگهداری پیش بینی این واقعیت است که تجهیزات با خراب شدن آثاری از خود به جا می گذارند. نقص به طور ناگهانی رخ نمی دهد، بلکه معمولاً به عنوان یک فرآیند ایجاد می شود و این فرآیند علائم قابل اندازه گیری را ایجاد می کند.
- ترانسفورماتور قدرت: دمای روغن، بار، و بویژه آنالیز گاز محلول (DGA؛ اندازه گیری گازهای انباشته شده در روغن). افزایش گازهای خاص نشان دهنده قوس داخلی، گرم شدن بیش از حد یا خراب شدن عایق است.
- توربین بادی: ارتعاش گیربکس و یاتاقان، دما، ذرات روغن، انحراف از منحنی قدرت. تخریب بلبرینگ فرکانس های ارتعاشی مشخصی را ایجاد می کند.
- کابل و خط: تخلیه جزئی (تخلیه های الکتریکی کوچک در عایق)، دما.
- بریکر و کلید: تعداد کلیدهای روشن و خاموش، زمان باز شدن، مقاومت تماس.
هوش مصنوعی روندهای ظریف و الگوهای چند متغیره را در این سیگنالها ثبت میکند که چشم انسان از دست میدهد. ناهنجاری یک انحراف آماری داده ها از رفتار عادی است. این اغلب اولین سیگنال تعمیر و نگهداری پیش بینی شده است.
نکته: تعمیر و نگهداری پیشگویانه خوب با دانستن خوب "عادی" شروع می شود. تشخیص انحراف بدون دانستن نوع امضای حسگر که یک قطعه از تجهیزات هنگام کار به درستی تولید می کند ممکن نیست. بنابراین اولین سرمایه گذاری ایجاد یک پایه پاک برای «رفتار سالم» است.
دو وظیفه اساسی: تشخیص ناهنجاری و باقی ماندن زندگی
هوش مصنوعی دو وظیفه اصلی در نگهداری پیش بینی کننده دارد.
هنگامی که تجهیزات از حالت عادی منحرف می شوند، تشخیص ناهنجاری زودهنگام است. مدل رفتار سالم را می آموزد و داده های دریافتی را با آن آزمایش می کند. انحراف یک زنگ هشدار ایجاد می کند. مهم ترین پارامتر در اینجا آستانه است: چقدر انحراف به عنوان زنگ هشدار به حساب می آید؟
عمر مفید باقیمانده (RUL) تخمینی است از مدت زمانی که تجهیزات تا خرابی باقی مانده است. این اجازه می دهد تا تعمیر و نگهداری برنامه ریزی شود (سفارش قطعات، پنجره خاموشی). تخمین RUL ذاتا نامشخص است و باید با یک محدوده ارائه شود.
هشدار کاذب / تعادل خطا از دست رفته
در قلب نگهداری پیشگویانه تعادل وجود دارد. آلارم کاذب (مثبت کاذب) ایجاد زنگ هشدار زمانی است که نقصی وجود ندارد. این منجر به تعمیر و نگهداری غیر ضروری، اتلاف زمان از کار افتادگی و – خطرناکتر از همه – از دست دادن اعتماد تیم به آلارمها میشود (اثر «گرگ رسیده است»). خطای از دست رفته (منفی کاذب) عدم پیش بینی خطای واقعی است. انفجار غیرمنتظره به معنای آسیب و خطر ایمنی است.
اگر آستانه را پایین بیاورید، خطاهای از دست رفته کاهش می یابد اما هشدارهای نادرست افزایش می یابد. اگر آن را افزایش دهید برعکس این اتفاق می افتد. آستانه صحیح با توجه به هزینه این دو خرابی تعیین می شود: هزینه خطای از دست رفته ترانسفورماتور توزیع بسیار بیشتر از یک لامپ خیابانی است، بنابراین آستانه در تجهیزات حیاتی حساس تر (بیشتر مستعد ابتلا به آلارم های کاذب) است.
احتیاط: گفتن "مدل 95 درصد دقیق است" در تعمیر و نگهداری پیش بینی گمراه کننده است. از آنجایی که خرابی ها نادر هستند، حتی مدلی که هیچ آلارمی تولید نمی کند، ممکن است 95 درصد "دقیق" باشد - اما حتی یک شکست واقعی را هم متوجه نمی شود. بنابراین، موفقیت به صورت جداگانه با شکست از دست رفته و نرخ هشدار اشتباه اندازه گیری می شود، نه با دقت کلی.
گام به گام: تعمیر و نگهداری پیشگویانه مبتنی بر هوش مصنوعی
مرحله 1 - پایه و اساس سالم را ایجاد کنید. امضای عملکرد عادی تجهیزات را با داده های کافی بیاموزید.
مرحله 2 - سنسورها را انتخاب و تأیید کنید. سیگنال های مناسب با حالت خرابی (ارتعاش، DGA، دما). کالیبراسیون سنسور بررسی می شود.
مرحله 3 - یک مدل ناهنجاری بسازید. مدلی که انحراف از نرمال را تشخیص می دهد. آستانه بر اساس بحرانی بودن تجهیزات تنظیم می شود.
مرحله 4 - آلارم ها را اولویت بندی کنید. همه انحرافات فوریت یکسانی ندارند. هوش مصنوعی آلارم ها را بر اساس شدت و نوع خطای احتمالی مرتب می کند.
مرحله 5 - تأیید تخصصی هر هشدار مهم برای بررسی به مهندس تعمیر و نگهداری می رود. هوش مصنوعی تشخیص نمی دهد، فرضیه ها و اولویت ها را ارائه می دهد.
مرحله 6 - بازخورد خطای واقعی/نتایج عادی به مدل بازخورد داده می شود. آستانه و مدل بهبود یافته است.
سه مورد کوچک: با اعداد
مورد 1 - هشدار اولیه ترانسفورماتور. در دادههای DGA یک ترانسفورماتور قدرت، هوش مصنوعی افزایش آهسته اما پیوسته گازهای خاص (اتیلن) را ثبت کرد. یک اندازه گیری منفرد در محدوده نرمال بود، اما روند غیر طبیعی بود. بررسی تخصصی یک نقطه داغ (اتصال گرمای بیش از حد) پیدا کرد. یک نقص احتمالی با مداخله برنامه ریزی شده جلوگیری شد. خسارات اجتناب شده تخمین زده شده در حدود چند میلیون لیره بود.
مورد 2 - گرگ اثر کرد. در یک میدان باد آستانه بسیار پایین تنظیم شده بود. این مدل ده ها هشدار ارتعاش کاذب در هفته تولید می کرد. با گذشت زمان، تیم شروع به نادیده گرفتن آلارم ها کرد و یک خرابی واقعی بلبرینگ را از دست داد. هنگامی که آستانه بر اساس خرابی های واقعی در داده های تاریخی مجددا کالیبره شد، هشدارهای نادرست به یک در هفته کاهش یافت و اطمینان بازگشت.
مورد 3 - محدوده RUL. برای یک گیربکس، مدل گفت: "عمر باقیمانده تقریباً 6 هفته است" اما به عنوان یک عدد فرد. در واقع، عدم اطمینان افزایش یافته است. قسمت در هفته نهم رسید، شکست در هفته پنجم رخ داد و قطعی بدون برنامه ریزی رخ داد. در تمرین بعدی، RUL با فاصله زمانی ("3-8 هفته، 80 درصد اطمینان") داده شد و سفارش قطعات بر اساس بدترین سناریوی منطقی ارائه شد.
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
به این داده های ارتعاشی نگاه کنید، آیا نقصی وجود دارد؟[data]
اعلان قدرتمند:
نقش شما: تحلیلگر تعمیر و نگهداری پیش بینی کننده تجهیزات: گیربکس توربین بادی.- ابتدا رفتار عادی (سالم) را در داده ها خلاصه کنید. شناسایی ناهنجاری در برابر آن.- اولویت بندی انحرافات بر اساس شدت و نوع شکست احتمالی. تشخیص قطعی انجام ندهید، فرضیه ایجاد کنید. - برای هر فرضیه، مشخص کنید که کدام اندازه گیری/آزمایش اضافی آن را تایید می کند. - تعادل هشدارهای نادرست و خطاهای از دست رفته را در نظر بگیرید. توصیه آستانه خود را بر اساس بحرانی بودن این تجهیزات توجیه کنید. - در صورت درخواست RUL، آن را با فاصله اطمینان، نه یک عدد واحد، ارائه دهید. داده ها: [سری لرزش/دما]
اعلان قدرتمند ابتدا نرمال را تعریف می کند، به جای تشخیص، فرضیه ها را می خواهد، یک مرحله راستی آزمایی و آفست آستانه را اضافه می کند، در فواصل زمانی، RUL را درخواست می کند - از همان ابتدا از مشکلات کلاسیک نگهداری پیش بینی اجتناب می کند.
چهار قالب قابل کپی
1) استخراج پایه سالم:
امضای عملکرد عادی/سالم را از دادههای این تجهیزات استخراج کنید: محدودههای معمولی، تغییرات وابسته به فصل/بار. سپس ناهنجاری را بر این اساس تعریف کنید. تغییراتی را که می توان با بار یا دما توضیح داد از ناهنجاری های واقعی متمایز کنید.
2) اولویت بندی هشدار:
انحرافات زیر را بر اساس شدت، سرعت توسعه و نوع شکست احتمالی اولویت بندی کنید. برای هر یک: فوریت (فوریت / نظارت / عادی)، فرضیه های علت احتمالی و مرحله تأیید. تشخیص قطعی؛ یک یادداشت تصمیم برای مهندس تعمیر و نگهداری صادر می شود.
3) تجزیه و تحلیل تعادل آستانه:
با دادههای تاریخی، تأثیر آستانههای مختلف بر تعداد هشدارهای نادرست و خطاهای از دست رفته را برای این امتیاز ناهنجاری نشان دهید. با در نظر گرفتن بحرانی بودن تجهیزات ([بالا/متوسط/پایین]) آستانه ها را پیشنهاد و توجیه کنید. به دو نوع خطا به طور جداگانه نگاه کنید، نه به دقت کلی.
4) گزارش عدم قطعیت RUL:
تخمین خود را از عمر مفید باقیمانده با محدوده و سطح اطمینان ارائه دهید. چه زمانی در «بدترین سناریو قابل قبول» باید منتظر شکست باشیم؟ بر اساس این بدترین سناریو، تهیه قطعات و برنامه ریزی قطع را توصیه کنید.
حالت خطا و جدول سیگنال
تجهیزات
سیگنال نظارت شده
علامت اولیه
ترانسفورماتور قدرت
DGA، دمای روغن
افزایش گاز، نقطه داغ
توربین بادی
لرزش، ذرات روغن
فرکانس بلبرینگ/دنده
کابل/خط
تخلیه جزئی، دما
خراب شدن عایق
کاتر
زمان باز شدن، مقاومت تماس
کاهش سرعت مکانیکی
ژنراتور
لرزش، دما، جریان
عدم تعادل، اصطکاک
اشتباهات رایج
- با تکیه بر دقت کلی. از آنجایی که خرابی ها نادر هستند، حتی "بدون هشدار" دقت بالایی را نشان می دهد. خطای از دست رفته باید جداگانه اندازه گیری شود.
- تعیین آستانه اشتباه آستانه بسیار پایین منجر به اثر "گرگ آمده است" می شود، آستانه بسیار بالا منجر به خطای از دست رفته می شود.
- داشتن تشخیص هوش مصنوعی هوش مصنوعی فرضیه ها و اولویت ها را تولید می کند. تشخیص نهایی و تصمیم مداخله مربوط به متخصص است.
- دادن یک عدد فرد به RUL. تخمین طول عمر داده شده بدون فاصله عدم قطعیت منجر به قطعی برنامه ریزی نشده می شود.
- جستجوی ناهنجاری ها بدون تشخیص طبیعی. تشخیص انجام شده بدون ایجاد یک پایه سالم ممکن است بار / تغییر فصلی را به عنوان یک نقص اشتباه بگیرد.
به طور خلاصه
هدف از تعمیر و نگهداری پیشبینی، مداخله به موقع با پیشبینی خرابی از روی سنسورهای تجهیزات است. هوش مصنوعی در تشخیص ناهنجاری و پیشبینی حیات باقیمانده قدرتمند است. اما موفقیت آن نه با دقت کلی بلکه با تعادل هشدارهای نادرست و خطاهای از دست رفته اندازه گیری می شود. آستانه بر اساس بحرانی بودن تجهیزات تنظیم میشود، هوش مصنوعی به جای تشخیص، فرضیهها را تولید میکند، RUL فاصله دارد و هر هشدار مهمی به تأیید متخصص میرود.
وظیفه کاربردی
سری زمانی سنسور یک قطعه از تجهیزات (ترانسفورماتور، توربین، موتور) را دریافت کنید. از هوش مصنوعی با الگوهای «استخراج پایه سالم» و «اولویتبندی هشدار» درخواست کنید. مطمئن شوید که ابتدا نرمال را تعریف کرده اید. سپس از خود بپرسید که آیا هرگونه انحراف یافت شده را می توان با بار یا دما توضیح داد. یک آستانه را انتخاب کنید و بنویسید که چگونه آن آستانه تعادل هشدار نادرست / خطای از دست رفته را تغییر می دهد.
چک لیست
- [ ] من مبنای رفتار سالم/عادی تجهیزات را تعریف کرده ام
- [ ] من سیگنال های حسگر را برای حالت خطا انتخاب کردم و کالیبراسیون را در نظر گرفتم
- [ ] من ناهنجاری را از اثر بار/فصل جدا کردم
- [ ] من آستانه را بر اساس بحرانی بودن تجهیزات و هزینه دو نوع خرابی تعیین کردم
- [ ] من بهجای دقت کلی، به نرخهای هشدار کاذب/ از دست دادن شکست نگاه کردم
- [ ] من از هوش مصنوعی برای مرحله فرضیه و تأیید درخواست کردم، نه تشخیص
- [ ] من برآورد RUL را با فاصله اطمینان و مشروط به تایید متخصص ارائه کردم