Dobički:
- Pojasnite poslovno vrednost načinov okvar, podatkov senzorjev in predvidenega vzdrževanja energetske opreme.
- Zmožnost konfiguracije zaznavanja nepravilnosti, ocene preostale uporabne življenjske dobe in prioritete alarmov z umetno inteligenco
- Sposobnost obvladovanja ravnovesja lažnih alarmov/zgrešenih napak in potrebe po odobritvi strokovnjakov pri odločitvah o vzdrževanju
Okvara opreme v elektroenergetskem sistemu je draga in včasih nevarna: eksplozija energetskega transformatorja povzroči na milijone dolarjev škode in dolge izpade; Zlom menjalnika vetrne turbine pomeni mesece izgubljene proizvodnje. Običajno vzdrževanje deluje po logiki "popravi, ko se pokvari" (vzdrževanje ob okvari) ali "zamenjaj po urniku" (redno vzdrževanje); Oba posredujeta prepozno ali prezgodaj. Cilj predvidenega vzdrževanja je nenehno spremljanje dejanskega stanja opreme, predvidevanje okvare, preden se pojavi, in pravočasno posredovanje. Umetna inteligenca je močno orodje pri obdelavi poplave senzorjev in ustvarjanju tega vpogleda. V tej enoti bomo izvedeli o načinih okvar, odkrivanju anomalij s pomočjo umetne inteligence in oceni preostale življenjske dobe ter njihovih mejah.
Načini napak in podatki senzorjev
Osnova prediktivnega vzdrževanja je dejstvo, da oprema ob okvari pušča sledi. Motnja se ne pojavi nenadoma, ampak se običajno razvije kot proces, ki povzroča merljive simptome.
- Močnostni transformator: temperatura olja, obremenitev in še posebej analiza raztopljenih plinov (DGA; merjenje plinov, nabranih v olju). Povečanje določenih plinov kaže na notranji oblok, pregrevanje ali poslabšanje izolacije.
- Vetrna turbina: vibracije menjalnika in ležajev, temperatura, oljni delci, odstopanje od krivulje moči. Degradacija ležaja povzroči značilne frekvence tresljajev.
- Kabel in vod: delna razelektritev (majhne električne razelektritve v izolaciji), temperatura.
- Odklopnik in stikalna naprava: Število vklopno-izklopnih stikal, odpiralni čas, kontaktni upor.
Umetna inteligenca v teh signalih zajame subtilne trende in večvariatne vzorce, ki bi jih človeško oko spregledalo. Anomalija je statistično odstopanje podatkov od običajnega obnašanja; To je pogosto prvi znak predvidenega vzdrževanja.
Nasvet: Dobro predvideno vzdrževanje se začne z dobrim poznavanjem "normalnega". Ni mogoče prepoznati odstopanja, ne da bi vedeli, kakšen senzorski podpis proizvaja kos opreme, ko deluje pravilno. Prva naložba je torej vzpostavitev čistih temeljev "zdravega vedenja".
Dve bistveni nalogi: odkrivanje anomalij in preostala življenjska doba
Umetna inteligenca ima pri prediktivnem vzdrževanju dve glavni nalogi.
Zaznavanje anomalij je zgodnje odkrivanje, ko oprema odstopa od normale. Model se nauči zdravega vedenja in preizkuša vhodne podatke glede nanj; odstopanje sproži alarm. Najbolj kritičen parameter pri tem je prag: koliko odstopanja šteje kot alarm?
Preostala življenjska doba (RUL) je ocena, koliko časa ima oprema do okvare. To omogoča načrtovanje vzdrževanja (naročanje delov, obdobje izpada). Ocena RUL je sama po sebi negotova in jo je treba podati z razponom.
Ravnovesje lažnega alarma/zgrešene napake
V središču napovednega vzdrževanja je ravnotežje. Lažni alarm (lažno pozitiven) sproži alarm, ko ni napake; Posledica je nepotrebno vzdrževanje, izgubljen čas izpada in – kar je najbolj nevarno – izguba zaupanja ekipe v alarme (učinek "volk je prišel"). Zgrešena napaka (lažno negativna) je neuspeh pri predvidevanju dejanske napake; Nepričakovana eksplozija pomeni škodo in varnostno tveganje.
Če znižate prag, se število zgrešenih napak zmanjša, lažni alarmi pa se povečajo; Če ga povečate, se zgodi ravno nasprotno. Pravilni prag je nastavljen glede na stroške teh dveh okvar: stroški zgrešene napake na distribucijskem transformatorju so veliko višji kot pri ulični svetilki, zato je prag v kritični opremi bolj občutljiv (bolj dovzeten za lažne alarme).
Pozor: Izjava "model je 95-odstotno natančen" je zavajajoča pri predvidenem vzdrževanju. Ker so okvare redke, je lahko celo model, ki ne sproži nobenega alarma, 95-odstotno "natančen" - vendar ne bo ujel niti ene dejanske okvare. Zato se uspeh meri posamično z zgrešenimi napakami in stopnjami lažnih alarmov, ne s splošno natančnostjo.
Korak za korakom: Prediktivno vzdrževanje, ki ga poganja AI
1. korak — Vzpostavite zdrave temelje. Naučite se običajnega delovanja opreme z zadostnimi podatki.
2. korak — izberite in preverite senzorje. Signali, ki ustrezajo načinu okvare (vibracije, DGA, temperatura); kalibracija senzorja je preverjena.
3. korak — Zgradite model anomalije. Model, ki zazna odstopanje od normale; Prag je nastavljen glede na kritičnost opreme.
4. korak — Določite prednost alarmom. Vsa odstopanja niso enako nujna; AI razvrsti alarme po resnosti in možni vrsti napake.
5. korak — Strokovno preverjanje. Vsak pomemben alarm gre v pregled k vzdrževalcem; AI ne postavlja diagnoz, ponuja hipoteze in prioritete.
6. korak — povratne informacije. Dejanska napaka/normalni rezultati se vrnejo v model; Prag in model sta izboljšana.
Trije mini kovčki: po številkah
Primer 1 – Zgodnje opozorilo o transformatorju. V podatkih DGA o močnostnem transformatorju je umetna inteligenca zajela počasno, a enakomerno povečanje nekaterih plinov (etilen); ena sama meritev je bila v normalnem območju, vendar je bil trend nenormalen. Strokovni pregled je odkril vročino (pregretje priključka). Morebitno okvaro smo preprečili z načrtovanim posegom; Ocenjena preprečena škoda je znašala nekaj milijonov lir.
Primer 2 — Volk je prišel do učinka. V enem vetrovnem polju je bil prag postavljen prenizko; Model je proizvajal na desetine lažnih vibracijskih alarmov na teden. Sčasoma je ekipa začela ignorirati alarme in spregledala dejansko okvaro ležaja. Ko je bil prag ponovno umerjen na podlagi dejanskih napak v zgodovinskih podatkih, so lažni alarmi padli na enega na teden in zaupanje se je povrnilo.
Primer 3 – območje RUL. Za menjalnik je model rekel, da je "preostala življenjska doba približno 6 tednov", vendar kot liho število. Pravzaprav se je negotovost povečala; Del je prispel v 9. tednu, okvara je nastala v 5. tednu in prišlo je do nenačrtovanega izpada. V naslednji vaji je bil RUL podan z intervalom ("3-8 tednov, 80-odstotno zaupanje") in naročilo delov je bilo premaknjeno naprej na podlagi razumnega najslabšega možnega scenarija.
Šibek poziv / močan poziv
Šibek poziv:
Poglejte te podatke o vibracijah, ali je kakšna okvara? [podatki]
Močan poziv:
Vaša vloga: analitik predvidenega vzdrževanja. Oprema: menjalnik vetrne elektrarne. - Najprej povzemite normalno (zdravo) obnašanje v podatkih; identificirajte anomalijo glede na to.- Prednostno razvrstite odstopanja glede na resnost in možno vrsto okvare; NE postavljajte dokončne diagnoze, ustvarite hipoteze. - Za vsako hipotezo navedite, katera dodatna meritev/preiskava jo bo potrdila. - Upoštevajte razmerje med lažnimi alarmi in zgrešenimi napakami; Utemeljite svoje priporočilo glede praga glede na kritičnost te opreme. - Če se zahteva RUL, ga navedite z intervalom zaupanja, ne z eno številko. Podatki: [niz vibracij/temperatur]
Zmogljiv poziv najprej definira normalno, zahteva hipoteze namesto diagnoz, doda korak preverjanja in odmik praga, v intervalih pozove RUL — s čimer se že od samega začetka izognete klasičnim pastem prediktivnega vzdrževanja.
Štiri kopirane predloge
1) Zdrava osnovna ekstrakcija:
Izvlecite značilnost normalnega/zdravega delovanja iz podatkov te opreme: tipični razponi, variacije, odvisne od sezone/obremenitve. Nato na tej podlagi definirajte anomalijo. Razlikujte spremembe, ki jih je mogoče razložiti z obremenitvijo ali temperaturo, od resničnih anomalij.
2) Določanje prednosti alarmov:
Prednostno razvrstite naslednja odstopanja glede na resnost, stopnjo razvoja in možno vrsto okvare. Za vsako: nujnost (nujno/nadzor/normalno), hipoteze o verjetnem vzroku in korak preverjanja. Postavitev dokončne diagnoze; Vzdrževalcem se izda odločba.
3) Analiza ravnotežja praga:
Prikažite s preteklimi podatki vpliv različnih pragov na število lažnih alarmov in zgrešenih napak za to oceno anomalije. Predlagajte in utemeljite mejne vrednosti ob upoštevanju kritičnosti opreme ([visoka/srednja/nizka]). Oglejte si obe vrsti napak ločeno, ne celotne natančnosti.
4) Poročilo o negotovosti RUL:
Podajte svojo oceno preostale življenjske dobe z razponom in stopnjo zaupanja. Kdaj pričakovati neuspeh v "najslabšem verjetnem scenariju"? Priporočite nabavo delov in načrtovanje izpadov na podlagi tega najslabšega možnega scenarija.
Način napake in tabela signalov
opremo
spremljani signal
zgodnji simptom
močnostni transformator
DGA, temperatura olja
Povečanje plina, vroča točka
vetrna turbina
Vibracije, oljni delci
Frekvenca ležaja/gonila
kabel/linija
Delna izpraznitev, temperatura
poslabšanje izolacije
rezalnik
Odpiralni čas, kontaktna odpornost
Mehanski pojemek
generator
Vibracije, temperatura, tok
neravnovesje, trenje
Pogoste napake
- Zanašanje na splošno natančnost. Ker so napake redke, tudi "brez alarma" kaže visoko natančnost; Zgrešeno napako je treba izmeriti ločeno.
- Nepravilna nastavitev praga. Prenizek prag bo povzročil učinek "volk je prišel", previsok prag bo povzročil zgrešeno napako.
- Imeti diagnozo AI. AI ustvarja hipoteze in prioritete; Končna diagnoza in odločitev o posegu pripada specialistu.
- Dajanje RUL lihe številke. Ocena življenjske dobe, podana brez intervala negotovosti, bo povzročila nenačrtovan izpad.
- Iskanje anomalij brez prepoznavanja normale. Zaznavanje brez vzpostavitve zdrave podlage lahko zamenja obremenitev/sezonsko spremembo za okvaro.
Če povzamem
Namen predvidenega vzdrževanja je pravočasno ukrepanje s predvidevanjem okvare na podlagi sledi senzorjev opreme. Umetna inteligenca je močna pri odkrivanju anomalij in napovedovanju preostale življenjske dobe; vendar se njegov uspeh ne meri s splošno natančnostjo, ampak z razmerjem med lažnimi alarmi in zgrešenimi napakami. Prag je nastavljen na podlagi kritičnosti opreme, AI ustvarja hipoteze namesto diagnoz, RUL je razporejen in vsak pomemben alarm gre v strokovno preverjanje.
Aplikacijska naloga
Pridobite časovno vrsto senzorja za del opreme (transformator, turbina, motor). Zahtevajte analizo od umetne inteligence s predlogama »Healthy baseline ekstrakcija« in »Alarm prioritization«. Prepričajte se, da najprej definirate običajno; Nato se vprašajte, ali je ugotovljeno odstopanje mogoče razložiti z obremenitvijo ali temperaturo. Izberite prag in napišite, kako ta prag spremeni ravnovesje lažni alarm/zgrešena napaka.
kontrolni seznam
- [ ] Določil sem osnovo za zdravo/normalno delovanje opreme
- [ ] Izbral sem signale senzorjev, primerne za način napake, in razmišljal o kalibraciji
- [ ] Ločil sem anomalijo od učinka obremenitve/letnega časa
- [ ] Prag sem določil na podlagi kritičnosti opreme in stroškov obeh vrst napak
- [ ] Raje kot na splošno natančnost sem gledal lažne alarme/stopnje zgrešenih napak
- [ ] AI sem prosil za hipotezo in korak preverjanja, ne diagnoze
- [ ] Predstavil sem oceno RUL z intervalom zaupanja in predmet odobritve strokovnjakov