Türbin Kontrol Sistemlerinde (Kömür, Fuel-Oil, LNG/CNG) Yapay Zeka Tabanlı Kestirimci Bakım Vaka Analizi

Modern türbin üretimi, karmaşık bir tedarik zincirinden binlerce parçayı içeren karmaşık bir süreçtir, herhangi iki türbinin tamamen aynı olma ihtimalini ortadan kaldırır ve benzersiz bir kusur olasılığını daha yaygın hale getirir.

Makine Öğrenimi ve Yapay Zeka, bu zorluğun üstesinden gelmek için benzersiz bir çözüm sunar. İnsan ölçeğinde takip edilemeyecek kadar çok sensör verisini takip etmek ve önceden programlanmış kurallara güvenmek yerine ilişkileri bulmak için verileri dinamik olarak kullanma yeteneği, yapay zekayı beklenmedik arızaları önlemek için paha biçilmez bir teknoloji haline getirir.

Amerika Merkezli büyük bir enerji üretim şirketi, SparkCognition’ın SparkPredict® yazılımı ile diğer tüm sistemler tarafından tespit edilemeyen bir arızayı yakaladığında bu avantajı ilk elden deneyimledi.

2013’ün başlarında, şirket, türbin başına 200M-400M $ aralığında bir yatırım olan dokuz gaz türbinlik yeni bir tesisin kurulumuna başladı.

Bir türbinin kurulumundan sonraki bir yıl içinde, ünite önemli bir arıza yaşadı. Hem şirket hem de ekipman üreticisi (OEM) tarafındaki konu uzmanlarının (SME) bilgisi yeni modelde sınırlıydı. Yatırımı korumak ve daha fazla arızayı önlemek için, şirketin mühendislik yönetimi bilinmeyenlerin riskini yönetebilecek seçenekleri keşfetmeye karar verdi.

Enerji Üretimcisi aşağıdaki bileşenlere sahip bir çözüm arıyordu:
• Verilerdeki daha önce hiç görülmemiş davranışları yakalamak için çok değişkenli analiz
Kısa sürede en verimli çözüm (daha kısa model geliştirme ve yeniden eğitim döngüsü-AutoML- nedeniyle istenen makine öğrenimi)
• Türünün ilk örneği ekipman nedeniyle yalnızca kontrol uzmanlarına veya üreticilere güvenilemedi

PROJE SÜRECİ

Enerji Üretim şirketi, mevcut izleme yöntemlerinin (APR / fizik tabanlı modeller) verimini artırmak için SparkCognition‘dan bir anomali tespiti ve kestirimci analiz yazılımı olan SparkPredict‘e yatırım yapmaya karar verdi.

Mühendislik yöneticisi aşağıdaki özelliklerden dolayı SparkCognition’ı seçti:

• Dağıtım süresini aylardan haftalara indiren otomatik model oluşturma teknikleri (AutoML)
• Eyleme dönüştürülebilir kullanıcı arayüzü / görselleştirme katmanında sunulan açıklanabilir öneriler ve kök nedenler
• Uzman Mühendislerin olayları etiketlemesini kolaylaştıran arayüz

İlgili karar vericiler, SparkPredict üç yıl boyunca dokuz türbinden oluşan filoda şu anda tespit edilemeyen ve önemli olan en az bir sorunu (onarım için en az 500.000 $) yakalarsa, yatırımın buna değeceğini tahmin ettiler. Çözüm, şirketin mevcut veri sistemiyle entegre edildi ve 2016 sonunda devreye alındı.

ANOMALİ TESPİTİ

SparkPredict, türbinlerin çalışma durumlarını belirlemek için denetimsiz öğrenmeyi (unsupervised learning) kullandı. Şubat 2017’de (kurulumdan sonraki 4 ay içinde) SparkPredict, türbinin kompresör ucunun ilk giriş alanında kalıcı bir anormal davranış tespit etti. Daha fazla araştırma, bir kompresör bıçağının giriş kılavuz kanadına (IGV) sürtünmesine işaret eden birkaç faktörü ortaya çıkardı.

Kurum anormal davranışa sahip olduğu bildirilen alanı inceledi ve bir kanat tutma noktasının arızalandığını, bir R1 kanadının hafifçe yerinden çıkmasına ve IGV çemberine sürtünmesine izin verdiğini buldu. Bakım sırasında, kanadın tabanından 3 cm’lik malzeme taşlanmıştı. Bu davranış devam etseydi ve kanada ulaşsaydı, kanat serbest hale gelecek ve türbin içinde arkaya doğru giderek büyük hasara neden olacaktı.

SparkPredict bu anomaliyi, problemin oluşmasından bir ay önce buldu ve bu durumun onarılması tahmini olarak minimum 500.000$ ‘a mal olacaktı.

SONUÇ

Bu arızanın daha önce hiç görülmediğini ve mevcut izleme sistemleri tarafından tespit edilemediğini vurgulamak önemlidir. SparkPredict, denetimsiz öğrenme yoluyla yardımcı programın kendi verilerinden bilinmeyen bir ilişki bulduğu ve sorunun kök nedenini açıkça gösterebildiği için, yardımcı programın operasyon ekipleri sorunun tam olarak nerede olduğunu görebildi.

Aslında, arızalı parçanın aynı türbin modelinin diğer serilerinde de görünmeyen bir üretim hatası olduğu ortaya çıktı. Güvenilirlik temelli düzenli bakıma geleneksel bir yaklaşımda, kusur cihazın durdurulup sökülerek incelenmesi sonrası tespit edilirdi ve bu bilgi yeni bir anormallik tespit modeline dahil edilirdi. Bununla birlikte, arıza yalnızca bu belirli türbin modeli için meydana geleceği ve OEM sorunu çözdükten sonra tekrar görülme olasılığı düşük olduğu için, bunun sınırlı bir faydası olacaktır.

SparkPredict platformunun sürekli öğrenmesi, geleneksel izleme sistemlerinden daha fazla anormal davranış tespit ederek kontrol programına destek vermiştir. Yeni türbinlerle benzersiz arızaların sıklığı arttıkça, SparkPredict bilinmeyene karşı önemli bir koruma katmanı olduğunu her geçen gün kanıtlıyor ve mevcut ekipmanların daha verimli ve uzun ömürlü olacak şekilde kullanımını sağlıyor.

Daha fazlası için: hello@cerrus.io

www.cerrus.io

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out /  Change )

Twitter picture

You are commenting using your Twitter account. Log Out /  Change )

Facebook photo

You are commenting using your Facebook account. Log Out /  Change )

Connecting to %s

Create your website with WordPress.com
Get started
%d bloggers like this: