Kestirimci Bakım: Hidro Türbinlerde Nadir Arızaları Öngörme

Hidroelektrik, hem sürdürülebilir hem de doğal, kinetik enerjiyi elektriğe dönüştürmede oldukça verimli olması bakımından benzersiz bir kaynaktır.

Modern hidro türbinler, %90’a varan verimlilikle yüzlerce megawatt güç üreten devasa varlıklardır. Bu yüksek verimlilik ve varlıkların ölçeği nedeniyle, planlanmış veya planlanmamış herhangi bir kesinti, günde 50.000 ABD Dolarına kadar çıkabilen önemli fırsat maliyetlerine dönüşür. Ve en kötü senaryolarda, felaketle sonuçlanan bir arıza, bir türbinin aylarca hizmet dışı kalmasına, pahalı onarım maliyetlerine ve enerji şebekesinde olası kesintilere neden olabilir.

Bu hidro türbinleri işleten şirketlerin, beklenmeyen arızaları önlemek için düzenli bakım yapma konusunda haklı çıkarları vardır. Çoğu bakım, varlığın çevrimdışı duruma getirildiği, incelendiği ve gerekirse proaktif olarak onarıldığı programlı bir temelde gerçekleşir. Hidro türbin üniteleri son derece güvenilirdir, yani plansız duruş süresinin çok az örneği mevcuttur. Ancak, bu arızalar operatörleri için çok maliyetlidir.

Operatörlerin plansız duruş sürelerine maruz kalmaları gerektiği düşünüldüğünde, birçoğu gerçek zamanlı olarak değerli performans bilgilerini toplamak için türbinleri ve jeneratörleri sensörler ve platformlarla donattı. Ancak karşılaştırılacak çok az tarihsel hidro arıza olduğundan, zengin akış verileri ve eski istatistik tabanlı analizler, gerçek arıza olaylarını tahmin etmede çok doğru değildir. Aslında, değerlendirme için gereksiz kesinti süresine neden olan iyi huylu yanlış pozitiflerle izleme ekiplerini aşırı yükleyerek genellikle daha fazla sorun yaratırlar.

Bu şu soruyu akla getiriyor:

Yapay zeka, bakım ekiplerinin verilerinden daha fazla değer elde etmesine yardımcı olabilir mi?

Bu sinir bozucu ve hata dolu yaklaşımdan memnun kalmayan, önde gelen bir hidroelektrik hizmet şirketi, sorunlu türbin davranışını daha iyi analiz etmek için makine öğrenimini nasıl uygulayabileceklerini değerlendirdi. Mevcut analitik platformlarında yanlış pozitiflerin yükü altındaydılar ve yakın zamanda jeneratörlerinden birinde büyük bir etki yaratan türbin hatasıyla aylarca süren bir kapanmaya neden oldular. Topladıkları ölçümlerin miktarına ve geleneksel fizik tabanlı modeller tarafından tetiklenen uyarıların sayısına rağmen, yardımcı kuruluş bu büyük bozulmanın herhangi bir göstergesini öngörmedi.

Bu sorunlara yenilikçi bir çözüm arayışında olan iş planlama liderleri, SparkPredict‘in nadir, pahalı arızalara karşı koruma sağlamalarını ve bakım yapmak için harcadıkları zaman ve maliyeti azaltmalarını sağlayacak daha iyi tahmine dayalı analitikleri nasıl sağlayabileceğini belirlemek için SparkCognition ile birlikte çalıştı.

Proje safhasında SparkPredict’in performansı iki temel alanda değerlendirildi ve sonuçlar mevcut, istatistik tabanlı çözümleriyle karşılaştırıldı:

• SparkPredict, türbinlerinden birinde meydana gelen bilinen olaylardan önce jeneratördeki değişiklikleri tespit edebilir mi?
• SparkPredict, mühendislik ekiplerine bakımı iyileştirmelerine yardımcı olmak için hangi ek bilgileri sağlayabilir?

SparkCognition, 2015-2016 yılları arasında birkaç arıza olayı yaşayan bir türbin için iki yıllık veriler üzerinde çalıştı.

Sonuçlar

SparkPredict veri bilimcileri, verilen sensör koleksiyonundan jeneratör hızı, güç çıkışı, sıcaklık okumaları, yağ seviyesi, titreşimler ve şaft boşluğu ölçümleri gibi önemli değişkenleri ölçen 40 önemli etiket belirledi.

SparkPredict veri bilimcileri, verileri aldıktan sonraki altı hafta içinde denetimsiz bir makine öğrenimi modeli araştırdı, eğitti ve oluşturdu. Denetimsiz öğrenme, çok az arıza bilgisi olduğundan ve hiçbiri tutarlı bir şekilde belgelenmediğinden, nadir arızaları tahmin ederken özellikle güçlüdür. Bu tür bir model, önceden bilinen göstergelerle karşılaştırmak yerine, varlığın benzersiz davranışına uyum sağlar. Anormal davranışı işaretleyerek SparkPredict, bilinmeyen arızaların göstergelerini belirleyebilir.

SparkPredict, bu yaklaşımı kullanarak, ilk proje kriterlerini başarıyla yerine getirerek, bir aydan fazla ileri uyarı ile veri seti içindeki türbin arıza olaylarını doğru bir şekilde tanımladı. Ek olarak, SparkPredict, açıklanabilir AI ile olaylar için temel öncü göstergeleri ortaya çıkardı. Kurum özellikle birden fazla sensörün birbiriyle nasıl ilişkili olduğunu ve geçmiş ölçümlerden küçük, ince sapmaların yeni başlayan arıza modlarına ne kadar katkıda bulunduğunu görmek istedi. SparkPredict, değerleri değişen dokuz sensörü belirledi.
Petrol seviyeleri de dahil olmak üzere bazıları, tarihsel seviyelerden %40’a kadar değişirken, diğerleri geçmiş dağıtım araçlarından biraz yukarı veya aşağı hareket etti.

Bu içgörünün sonucu iki yönlüdür. İlk olarak, mühendisler varlığın nasıl performans gösterdiğine dair daha derin bir anlayışa sahiptir ve daha sağlam temel neden analizine olanak tanır. İkincisi, SparkPredict, gelecekteki operasyondaki kalıpları tanımak için bu örnekte gözlemlenen yeni başlayan arıza modları gibi zararlı durumlar üzerinde eğitim alabilir ve sorunların çok yıkıcı hale gelmeden önce hızlı ve proaktif olarak düzeltilmesine olanak tanır. Bu bilgi düzeyi, şirketin bakım süreçlerini iyileştirmek için tam olarak aradığı şeydi.

  • 30 günlük ön uyarı ile Kasım 2016’da zorunlu kesinti tespit edildi.
  • Mevcut ön uyarı 2 günden azdı.
  • Yaklaşan arıza için otomatik olarak tanımlanan en çok etkileyen sensörler belirlendi.
  • Operatörlerin sorunu hızlı bir şekilde gidermesine ve düzeltici önlem almasına olanak sağladı.
  • Ayda %80 oranında azaltılmış yanlış uyarı sayısı.

SparkCognition Yapay Zeka çözümlerimizle ilgili daha fazla bilgi almak için:

hello@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 )

Google photo

You are commenting using your Google 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: