Successfully reported this slideshow.
Your SlideShare is downloading. ×

Smartoperations 2019 - Energy

Ad

PROGETTO SMARTGEO
http://www.smartoperations.it
info@smartoperations.itSede Legale: Via Madonna del Piano 6, CAP 50019 - S...

Ad

Obiettivi generali
Il progetto SmartGeo ha come obiettivo quello
di prototipare, sviluppare e mettere in servizio
soluzion...

Ad

Struttura
3

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Loading in …3
×

Check these out next

1 of 15 Ad
1 of 15 Ad

Smartoperations 2019 - Energy

  1. 1. PROGETTO SMARTGEO http://www.smartoperations.it info@smartoperations.itSede Legale: Via Madonna del Piano 6, CAP 50019 - Sesto Fiorentino (FI) P.IVA 06498400487 Sede Operativa: Piazza Ciardi, 25 59100 Prato (PO) - c/o PIN s.c.r.l. Smartoperations s.r.l. A spin-off company from:
  2. 2. Obiettivi generali Il progetto SmartGeo ha come obiettivo quello di prototipare, sviluppare e mettere in servizio soluzioni tecnologiche avanzate e innovative sull’Impianto Geotermico pilota «Rancia 2» e sulle strutture ad esso connesse (pozzi, reti vapore, sistemi lavaggio vapore, reiniezioni, Amis). È possibile, infatti, migliorare ancora di più l’efficienza degli impianti geotermici andando a minimizzare le inefficienze e gli eventi non programmati. Il monitoraggio real-time con strumenti di analisi avanzati aiuta ad individuare: • Antipompaggi divergenti; • Sporcamenti del macchinario; • Assetti non ottimali dei componenti di impianto; al fine di: • Ottimizzare le fermate pianificate; • Diagnosticare il deterioramento dei compon enti; • Prevedere le rotture; • Prevenire i blocchi non programmati. 2
  3. 3. Struttura 3
  4. 4. Sviluppo algoritmi innovativi Il laboratorio IBIS all’interno del progetto si è occupato di sviluppare algoritmi innovativi che consentissero di: • Diagnosticare e prognosticare malfunzionamenti dei componenti secondari di impianto; • Controllare i componenti secondari di impianto; • Monitorare i flussi di vapore sulla rete vapordotti. 4
  5. 5. Approccio alla prognostica La sensorizzazione dei macchinari, permette l’acquisizione di una grande mole di dati in tutte le condizioni operative. Permettendo quindi di analizzarne il funzionamento sia in condizioni di regime che in condizioni di guasto. Effettuando un’approfondita analisi dei modi di guasto dei macchinari, è possibile indagare sulle cause prime dei guasti ed individuarne i parametri spia da monitorare, oltre ad associargli un valore di criticità Si classifica quindi il comportamento a «regime» del componente analizzato da quello in stato di «anomalia» in base ai valori dei parametri spia individuati. Dall’analisi degli andamenti dei parametri spia in condizione di funzionamento anomalo è possibile stimare la vita utile residua del componente e quindi prevedere l’evento di guasto La conoscenza della vita residua dei componenti monitorati e della criticità di ogni modo di guasto, permette di ottimizzare la schedulazione degli interventi di manutenzione. 5
  6. 6. Analisi dei modi di guasto Pompa PAE Compressor e Centrifugo Torri di refrigerazione Vasca di raccolta acqua fredda Usura Cuscinetti Guasto Elettrico Perdite nel circuito Usura Cuscinetti Pompaggio Intasamento uscita vasca Rottura Gearbox Guasto elettrico L’analisi dei modi di guasto dei componenti di impianto di interesse è stata effettuata utilizzando la metodologia FMECA (Failure Mode, Effects and Criticality Analysis), con il risultato di individuare tutte le cause di guasto dei componenti. Assegnando ad ognuno di questi la loro: • frequenza del guasto; • severità del guasto; è stato possibile calcolarne il corrispettivo valore di criticità. 6
  7. 7. Esempio di Applicazione Il pompaggio è un fenomeno di instabilità funzionale delle turbomacchine causato dalle caratteristiche geometriche della macchina, dal circuito in cui essa è inserita e dalle caratteristiche del fluido lavorato. Provoca forti vibrazioni sul macchinario con conseguenti danni alle componenti meccaniche. 17:00 18:00 19:00 20:00 21:00 22:00 23:00 00:00 01:00 02:00 03:00 04:00 05:00 06:00 07:00 08:00 80 90 100 110 120 130 140 Lo si riconosce dai cambiamenti repentini delle grandezze fluidodinamiche (pressione e portata) all’ingresso della turbomacchina. Dall’analisi delle variabili in ingresso è possibile distinguere tra funzionamento a regime e funzionamento a pompaggio. Sono state individuate 28 variabili fluidodinamiche informative dello stato di funzionamento del macchinario Pressione in ingresso al primo stadio del compressore con evidente evoluzione del fenomeno di pompaggio Compressore centrifugo 7
  8. 8. Pompaggio del compressore Data la complessità del sistema fisico e del fenomeno di pompaggio, è stato utilizzato un modello di Machine Learning SVM (Support Vector Machine), addestrato sui dati storici, per riconoscere lo stato di funzionamento (regime o pompaggio) del compressore centrifugo. Il modello, inoltre, fornisce come output anche il valore di distanza (non euclidea) del punto acquisito dall’ipersuperficie di separazione delle classi. Classificatore binario SVM Monitoraggio real- time delle variabili di interesse per classificare il funzionamento attuale del macchinario Addestramento off- line del classificatore SVM per il riconoscimento dello stato di «regime» o di «pompaggio» REGIME POMPAGGIO Distanza dell’attuale punto di funzionamento dall’ipersuperficie di separazione tra le classi Classificazione dello stato di funzionamento attuale: OUT PUT INTPUT OFFLINE INPUT REALTIME Diagnostica 8
  9. 9. Pompaggio del compressore La distanza dello stato attale di funzionamento, dalla superficie di separazione delle classi è la variabile da monitorare ed analizzare in real-time per poter prevedere eventuali cambiamenti dello stato di funzionamento da «regime» a «pompaggio». Valori Monitorati Valori Predetti Quadrante di pompaggio Quadrante di Regime Tempo Impostando un setpoint ottimale di questo parametro è possibile effettuare regolazione automatica delle valvole di antipompaggio del macchinario, ad esempio tramite un controllo PID. Inoltre, attraverso l’uso di strumenti statistici (ARIMA, VAR) o di ML (NAR, NARX) per l’analisi di serie storiche, è possibile prevedere quando il compressore entrerà nello stato di funzionamento di «pompaggio». Regolazione e prognostica 9
  10. 10. Pompaggio del compressore Parallelamente, è stato messo a punto un sistema statistico di riconoscimento di forme d’onda di pompaggio nella pressione all’ingresso del compressore. Il sistema analizza in real-time una sequenza temporale di valori di pressione e la confronta con una libreria precaricata di forme d’onda di pressione caratteristiche dell’incipiente fenomeno di pompaggio, riuscendo così a diagnosticare l’instabilità dal macchinario. Riconoscitore di forme d’onda 10
  11. 11. Monitoraggio vapordotti La rete vapordotti ha sensori in corrispondenza dei pozzi di estrazione di vapore geotermico e delle centrali, ma le misure acquisite non sono sufficienti a descrivere completamente il flusso sulla rete. Abbiamo modellato la rete su software ASPEN ottimizzando i parametri incogniti in funzione di quelli acquisiti in modo da ottenere una modellazione completa dei flussi sul vapordotto. 11
  12. 12. Architettura informatica Gli algoritmi di diagnostica e prognostica sviluppati ad-hoc per i componenti di impianto, sono attivati da Matlab Production Server che è connesso al DCS di impianto (PI OsiSoft). Ci siamo quindi occupati della conversione degli algoritmi per la loro gestione integrata dall’Asset Framework del DCS di impianto e da Matlab Production Server. Per questo motivo abbiamo anche riorganizzato la struttura di impianto sul DCS in conformità alla normativa ISO 15926 relativa all’integrazione, condivisione, scambio e trasferimento di dati tra sistemi informatici. Algoritmi soft-realtime 12
  13. 13. Architettura informatica algoritmi Hard-realtime Diagnostic Mainframe Calc a, b, c from historical data Power Plant Main PLC Calc if y > 10 then Alarm Power Plant Diagnostic PLC Calc y = ax^2 + bx + x Gli algoritmi di diagnostica e controllo sviluppati ad-hoc per i componenti di impianto, sono: 1. Addestrati sul Diagnostic Mainframe; 2. Trasferiti sul Power Plant Diagnostic PLC; 3. Quest’ultimo invia e riceve informazioni dal Power Plant Main PLC. Ci siamo quindi occupati della conversione degli algoritmi da MATLAB in blocchi Simulink e dello sviluppo delle loro logiche di gestione dal Diagnostic Mainframe e dal Power Plant Main PLC. 13
  14. 14. Monitoraggio di Impianto Signal 10 Signal 5 Signal 2 Signal 1 Tutti gli algoritmi sviluppati -classificatore SVM, analisi di serie temporali (ARIMA, VAR, NAR, NARX), riconoscitore di forma-, sono stati messi a disposizioni degli operatori Enel Green Power, che attraverso la web app sviluppata dal partner di progetto SDI Automazione, possono facilmente attivare una o più analisi su qualunque segnale acquisito dall’impianto facilitando così il monitoraggio dei componenti di impianto. Tempo (Giorni) Signal 4 Probabilità Signal 16 Signal 13 Signal 7 Signal 21 100% 90% 80% 70% 60% 1 5 10 15 20 25 Ogni manutentore ha a disposizione la propria matrice interattiva di controllo, con cui monitorare tutti i segnali su cui hanno attivato l’analisi, con le seguenti informazioni: • Istante previsto di segnalazione allarme; • Confidenza sulla previsione (probabilità); • Criticità del segnale di analisi, visualizzato nei colori delle celle. 14
  15. 15. CONTACT www.smartoperations.it info@smartoperations.it Sede Legale: Via Madonna del Piano 6, CAP 50019 - Sesto Fiorentino (FI) P.IVA 06498400487 Sede Operativa: Piazza Ciardi, 25 59100 Prato (PO) - c/o PIN s.c.r.l. Smartoperations s.r.l. Andrea Navicelli Mech. Eng., PhD Student Partner, project manager Keywords: Data Analyst, ML, Predictive Maintenance, Matlab developer. Mail: andrea.navicelli@smartoperations.it

×