Рамон Перез

Ӕгир предиктивно решење за одржавање је дизајнирано да побољша поузданост опреме хидроенергетских генератора коришћењем напредне аналитике података, машинског учења и обраде података сензора. Развијен од стране Елдер Ресеарцх, Инц. (САД) и Сира-Квина крафтселскап (Норвешка), Ӕгир помаже у спречавању скупих кварова у великим индустријским генераторима предвиђањем потенцијалних проблема пре него што постану критични. Проблем Неочекивани кварови у хидрогенераторима могу резултирати милионима долара изгубљеног прихода. Пораст нових сензорских технологија је добављачима енергије обезбедио огромне количине података, али извлачење практичних увида из ових података остаје изазов. Поред тога, висококвалитетни подаци о кваровима су оскудни, што отежава предвидљиво одржавање. Централни изазов је како комбиновати људску експертизу са машинском анализом да би се предвиделе и спречиле грешке у опреми. Ӕгир решење Ӕгир обрађује велике количине података сензора, укључује историјске записе о одржавању и интегрише стручност у предмету са моделима машинског учења. Решење идентификује аномалну активност у хидроенергетским генераторима и турбинама, даје рана упозорења о потенцијалним кваровима и континуирано ажурира степен стања опреме. То ствара случајеве које инжењери прегледају, омогућавајући тимовима за одржавање да предузму благовремене корективне радње. Временом, систем усавршава своја предвиђања учећи из повратних информација стручњака. Кључне компоненте Ӕгира:

1. Извори података: Ӕгир уноси податке из више извора, укључујући:

• СЦАДА системи за податке сензора генератора, турбина и трансформатора.
• Локални контролни системи који обезбеђују податке индикатора за радње циклуса напајања.
• Базе података система заштите које садрже очитавања сензора притиска и вибрација високе резолуције.
• Систем регулатора турбине за додатна очитавања управљања протоком флуида.
• ЦММС системи за издавање карата за одржавање, који чувају историјске записе о грешкама и акције поправке.
• Резултати тестова визуелне инспекције.

2. ЦБЕТТ (таксономија типа грешке засноване на условима):

• Структурисана хијерархија која класификује кварове опреме на основу стручног знања Сира-Квина, Норцонсулт-а и ИРИС Повер-а.
• Пресликано на ИЕЦ/ИСО 81346 стандардне РДС кодове, обезбеђујући систематски приступ дијагностици и категоризацији проблема.

3. Машинско учење и модели предвиђања:

• Модели преживљавања: Предвидите главне кварове генератора и турбина до 12 недеља унапред.
• Модели дубоког учења: Идентификујте грешке у року од 4 недеље са већом прецизношћу.
• Модели за откривање аномалија: Пратите секвенце покретања и активност сензора да бисте означили необично понашање.
• Модели се обучавају у свим јединицама, а затим се усавршавају за специфичну опрему, побољшавајући прецизност.
• Ако се више модела слаже око аномалије, генерише се случај за преглед инжењера.

Улога Сира-Квине у пројекту Сира-Квина, норвешка хидроенергетска компанија, била је кључни партнер у имплементацији Ӕгира. Пре употребе Ӕгир-а, компанија се ослањала на традиционално праћење и ручне инспекције, што је довело до реактивних стратегија одржавања. Са Ӕгиром, Сира-Квина сада има користи од проактивног приступа, омогућавајући им да рано открију проблеме, закажу поправке када су цене електричне енергије ниске и минимизирају непланиране застоје. Интеграцијом Ӕгир-а, Сира-Квина је побољшала своју способност да спречи кварове, оптимизује распореде одржавања и смањи оперативне ризике, што га чини вредном студијом случаја за предиктивно одржавање у хидроелектранама.

Кључне речи: вештачка интелигенција, машинско учење, предиктивно одржавање, праћење стања