Downloaded 14 times
T kurek diagnostyka_mlyna_29_warsaw_meet_up
- 1. T E CH N O L O G I E S T H A T G U I D E I N D U S T R Y Case Study Diagnostyka Młyna Węglowego Teresa Kurek
- 2. T E CH N O L O G I E S T H A T G U I D E I N D U S T R Y Agenda 1. Zarys problemu 1. Co to jest młyn węglowy 2. Możliwe Sytuacje 3. Idea rozwiązania – Digital Twin 2. Budowa algorytmu 1. Pozyskiwanie danych 2. Walidacja danych 3. Analiza korelacji 4. Wybór modelu 5. Feature selection 6. Ewaluacja Modelu 7. Definicja reguł wykrywających anmalię 8. Definicja reguł definiujących typ anomali 3. Wdrożenie Pilotażowe 4. Wykorzystanie Autoenkoderów jak metody selekcji cech 5. Dyskusja
- 3. T E CH N O L O G I E S T H A T G U I D E I N D U S T R Y Młyn Węglowy - czyli taki trochę większy młynek. Zasobnik węgla Podajnik węgla młyn Wentylator powietrza M silnik
- 4.
- 5. T E CH N O L O G I E S T H A T G U I D E I N D U S T R Y Zarys problemu W elektrowni Rybnik, na bloku 4 zainstalowany jest kocioł OP-650k zasilany zespołem młynów pierścieniowo-kulowych typu MKM-33. Możliwe sytuacje: Nietypowe stany pracy młynów zasilających kocioł , spowodowany np. zalepianiem się młyna, powodują zaburzenie warunków spalania w kotle. Pogorszone warunki spalania mogą : • zwiększać emisje NOx,CO,CO2, • negatywnie wpływać na kluczowe parametry bloku takie jak temperatura pary świeżej, • pogarszać właściwości wymiany ciepła powierzchni ogrzewalnych kotła. Awaryjne stany skutkujące wyłączeniem młyna powodują destabilizację procesu, mogą również powodować odstawienie bloku. Nieplanowane odstawienie bloku czy strata generowanej mocy wiąże się z dodatkowymi kosztami finansowymi.
- 6. T E CH N O L O G I E S T H A T G U I D E I N D U S T R Y Młyn Węglowy Najczęstsze Awarie M Brak Węgla w podajniku Zablokowanie podajnika Brak węgla w młynie t Δp V Przeciążenie młyna / wentylatora
- 7. T E CH N O L O G I E S T H A T G U I D E I N D U S T R Y Idea algorytmu obliczenia pomocnicze wyznaczenie sygnałów diagnostycznych wnioskowanie o nietypowym stanie pracy urządzenia sygnały pomiarowe z DCS, SCADA lub IoT sygnały diagnostyczne wstępne przetworzenie sygnałów pomiarowych: filtracja sygnałów agregacja sygnałów estymowanie naprężeń obliczanie gęstości strumienia ciepła w oparciu o analizę sygnałów diagnostycznych podejmowana jest decyzja, czy urządzenie pracuje w sposób nietypowy sygnał wyjściowy: 0 – normalny stan 1 – nietypowy stan
- 8. T E CH N O L O G I E S T H A T G U I D E I N D U S T R Y Sygnał Diagnostyczny– Digital Twin wyjście 2 modelu zmierzone wyjście 2 obiektu Sygnały diagnostyczne są wyznaczane w oparciu o: Analizę różnić między wartościami zmierzonymi i prognozowanymi przez model urządzenia/procesu: Rozmyte, liniowe modele statyczne lub dynamiczne Nieliniowe modele statyczne (np.: Sztuczne Sieci Neuronowe, Maszyny Wektorów Nośnych)
- 9. T E CH N O L O G I E S T H A T G U I D E I N D U S T R Y BUDOWA ALGORYTMU Analiza danych rzeczywistych • Opis, filtracja. Analiza rozkładów, korelacje Selekcja cech • Metoda RFECV • Selekcja Wstępująca / Zstępująca Wyniki modelowania • Identyfikacja najlepszego zestawu cech • Wykresy dla ustalonej pracy Ocena Zachowania modelu w stanach awaryjnych • Wykresy dla stanów awaryjnych Poprawa modelu • Aktualizacja cech modelu natężenia prądu na silniku młyna Dobór progów detekcyjnych • Analiza rozkładów rezyduów • Określenie progów włączenia wyłączenia alarmów Algorytm • Python Walidacja działania algorytmu • Symulacja działania systemu DCS • Walidacja na danych historycznych
- 10. T E CH N O L O G I E S T H A T G U I D E I N D U S T R Y Zbiór Danych Walidacja Danych ZBIÓR DANYCH Dane dla miesięcy pracy młyna Dane próbkowane co sekund Dane dla 22 parametrów WALIDACJA DANYCH Usunięte okresy podczas których młyn nie pracował Usunięto 15 minut przed odstawieniem i 75 minut po rozruchu Usunięto dni w których wystąpiła awaria Pominięto pomiary pochodzące z okresu zmiany czasu zimowy/letni Usunięto okresy dla których obciążenie podajnika jest poniżej 10%
- 11. T E CH N O L O G I E S T H A T G U I D E I N D U S T R Y Wnioski po walidacji i analizie danych Silna korelacja między parametrami Wyróżniono pięć grup zmiennych które wykazują korelację między sobą lub swoimi pochodnymi Podczas analizy jako zmienne wejściowe wybierano jedynie jedną zmienną z danej grupy Największy współczynnik korelacja z zmienną modelowaną wynosi 0,395 (korelacja Pearsona)
- 12. T E CH N O L O G I E S T H A T G U I D E I N D U S T R Y Wnioski po walidacji i analizie danych Cykle pracy bloku oraz opóźniony wpływ parametrów na pracę młyna Hipoteza: tryb pracy bloku skutkuje dwoma trybami pracy młynów węglowych – możliwe zastosowanie modeli rozmytych Dla MILL_OUT_TEMP –Większość współczynników jest najlepiej skorelowana dla opóźnienia 6 minutowego. Ten czas pokazuje czas reakcji układu na zmianę zadanej na temperaturę na wyjściu z młyna. Dla AMPS młyn reaguje na zmianę zadanej na przepływ powietrza z opóźnieniem około 6 minutowym. Natomiast parametry istotnie wpływające na warunki panujące w młynie (FEEDER_LOAD) skorelowane są z niewielkim opóźnieniem. AMPS – zmienna objasniana MW – zmienna objaśniająca MILL_OUT_TEMP – zmienna objasniana
- 13. T E CH N O L O G I E S T H A T G U I D E I N D U S T R Y Modele – podejście 1. Model Regresji Liniowej oraz Regresji Liniowej z regularyzacją (Ridge Regression): • Zawiera maksymalnie dwie cechy każdego parametru • Metody Selekcji Cech: • Selekcja Wstępująca • Selekcja Zstępująca • RFECV / RFE • Badano 4 zestawy cech: wszystkie cechy, cechy z wyłączeniem cech wykluczających się, wszystkie cechy z wyjątkiem zadanej na temperaturę, cechy z wyłączeniem cech wykluczających się oraz zadanej na temperaturę • Przebadano dwie metody budowania historii: okno ruchome oraz wykorzystanie całej dostępnej historii
- 14. T E CH N O L O G I E S T H A T G U I D E I N D U S T R Y Stan Pracy Normalnej AMPS – przykładowy przebieg / stan pracy normalnej MILL_OUT_TEMP AMPS przykładowy przebieg / stan pracy normalnej Błąd modelowania dla stanu ustalonego wynosi średnio: 1,96 % dla modelu natężenia prądu 1,26% dla modelu temperatury mieszanki pyłowo- powietrznej
- 15. T E CH N O L O G I E S T H A T G U I D E I N D U S T R Y Modele – dodatkowe Nieliniowa transformacja cech wejściowych Regresja Rozmyta Sieci Neuronowe Modele Fizykalne z wykorzystaniem algorytmu genetycznego do wyznaczenie nieznanych współczynników modelu, 0 0,5 1 1,5 0 150 150 190 190 230 Niskie moce Wysokie moce
- 16. T E CH N O L O G I E S T H A T G U I D E I N D U S T R Y Progi detekcyjne Poziom 0 - stan normalnej pracy, różnica między pomiarem a modelem jest niższa niż wartość progowa. Poziom 1 - stan nietypowej pracy , różnica między pomiarem a modelem jest większa niż wartość progowa. Poziom 2 - stan awaryjny skutkujący zatrzymaniem młyna w krótkim czasie od pierwszego wykrycia stanu. Różnica między pomiarem a modelem jest większa niż wartość krytyczna. ! Dobrane progi detekcyjne wykrywają trzy stany pracy młyna: wyjście 2 modelu zmierzone wyjście 2 obiektu
- 17. T E CH N O L O G I E S T H A T G U I D E I N D U S T R Y Rezultaty AWARIA 1 Zablokowanie podajnika węgla. MODEL KOMUNIKAT POZIOM 1 POZIOM 2 Natężenie prądu 1320s. (22 min.) 1210. (20 min.) Temperatura mieszanki 1240 s. (20 min) 1240s. (20 min) MODEL AMPS MODEL MILL_OUT_TEMP
- 18. T E CH N O L O G I E S T H A T G U I D E I N D U S T R Y Rezultaty AWARIA 2 Zablokowanie podajnika węgla. MODEL KOMUNIKAT POZIOM 1 POZIOM 2 Natężenie prądu 2800 s. (46 min.) 640s. (11 min.) Temperatura mieszanki 490 s. (8 min) 490 s. (8 min) MODEL MILL_OUT_TEMP MODEL AMPS
- 19. T E CH N O L O G I E S T H A T G U I D E I N D U S T R Y AUTOENCODER • Symetryczna sieć neuronowa • Składa się z kodera i dekodera • Siec jest uczona do odwzorowywania wartości wejściowych • Wyjście z warstwy kodującej przedstawia skompresowaną reprezentację wejść (czyli de facto aproksymuje funkcję tożsamościową relacji miedzy wejściami) koder decoder Skompresowany wektor wejść
- 20. T E CH N O L O G I E S T H A T G U I D E I N D U S T R Y Denoised autoencoders * = W celu zmuszenia warstwy ukrytej do tworzenia bardziej niezawodnych funkcji oraz zapobieganiu prostego uczenia się funkcji tożsamościowych możemy trenować autoencodery do odtwarzania wejść wykorzystując jako wejścia „skorumpowane” dane. W takim wypadku intuicyjnie autoencoder: - koduje wejścia (zatrzymuje informacje uzyskane w danych wejściowych) - stara się odwrócić efekt korupcji danych. Korupcje danych wykonuje się poprzez randomowe przypisanie wartości zerowej dla określonej części danych.
- 21. T E CH N O L O G I E S T H A T G U I D E I N D U S T R Y Wyniki
- 22. T E CH N O L O G I E S T H A T G U I D E I N D U S T R Y MODEL AMPS Dane wejściowe •Normalizacja •1800 cech zawierających •DATA SET ZAWIERA: •28 cech plus dla każdej 30 dodanych kolumn opóźnianych kolejno co 10 sek. Maxymalne opóźnienie = 5 min (300sek.) •Dane wejściowe nie zawierają cech modelowanych •Bez AMPS i MILL_OUT_TEMP Encoder •Kodowanie wejść •Od 10 do 100 cech •Wyjście z encodera zastępuje pracochłonny proces feature selection Model – praca normalna •Wejścia to zakodowane dane wyjściowe otrzymane przy użyciu encodera •Możliwe jest zastosowanie różnych modeli, np. sieci neuronowe SVM, regresja liniowa.
- 23. T E CH N O L O G I E S T H A T G U I D E I N D U S T R Y Autoenoder TRAINING SET TEST SET TRAIN AUTOENCODER TEST AUTOENCODER TRAIN AMPS MODEL TEST AMPS MODEL STAN NORMALNEJ PRACY TEST AMPS MODEL STANY AWARYJNE ENCODER
- 24. T E CH N O L O G I E S T H A T G U I D E I N D U S T R Y Wyniki – modelowanie – praca normalna MODEL AMPS Błąd modelowania dla stanu ustalonego wynosi średnio: • 1,96 % dla modelu bez wykorzystania kodera • 1.79 % dla modelu z wykorzystanie kodera Możemy zauważyć poprawę jakości modelowania przy wykorzystaniu wyjść z kodera jako wejść do modelu. Poprawa ta nie była zauważalna przy zmianie modelu z regresji liniowej na sieć neuronową bez zmiany wartości wejść.
- 25. T E CH N O L O G I E S T H A T G U I D E I N D U S T R Y Wyniki – modelowanie amps – praca normalna
- 26. T E CH N O L O G I E S T H A T G U I D E I N D U S T R Y Wyniki:awaria spowodowana zablokowaniem podajnika AWARIA 1 AWARIA 2 Model oparty na wyjściu z kodera wykazuje rozbieżność względem pomiaru analogiczną jak model oparty na regresji liniowej oraz uprzednio wyselekcjonowanych cechach.
- 27. T E CH N O L O G I E S T H A T G U I D E I N D U S T R Y PODSUMOWANIE I WNIOSKI Cel został osiągnięty – stworzono narzędzie do bieżącej diagnostyki młyna W analizowanym przypadku zdecydowano się zastosować model oparty na regresji liniowej z regularyzacją. Model ten wykazał podobną dokładność do bardziej skomplikowanych modeli takich jak sieci neuronowe czy modele fizykalne. Autoenkodery okazały się być użytecznym narzędziem selekcji cech. Temat wymaga jednak szerszego zbadania.
- 28. T E CH N O L O G I E S T H A T G U I D E I N D U S T R Y Dziękuję za uwagę