Ramon Perez

Ӕgir prediktivno rešenje za održavanje je dizajnirano da poboljša pouzdanost opreme hidroenergetskih generatora korišćenjem napredne analitike podataka, mašinskog učenja i obrade podataka senzora. Razvijen od strane Elder Research, Inc. (SAD) i Sira-Kvina kraftselskap (Norveška), Ӕgir pomaže u sprečavanju skupih kvarova u velikim industrijskim generatorima predviđanjem potencijalnih problema pre nego što postanu kritični. Problem Neočekivani kvarovi u hidrogeneratorima mogu rezultirati milionima dolara izgubljenog prihoda. Porast novih senzorskih tehnologija je dobavljačima energije obezbedio ogromne količine podataka, ali izvlačenje praktičnih uvida iz ovih podataka ostaje izazov. Pored toga, visokokvalitetni podaci o kvarovima su oskudni, što otežava predvidljivo održavanje. Centralni izazov je kako kombinovati ljudsku ekspertizu sa mašinskom analizom da bi se predvidele i sprečile greške u opremi. Ӕgir rešenje Ӕgir obrađuje velike količine podataka senzora, uključuje istorijske zapise o održavanju i integriše stručnost u predmetu sa modelima mašinskog učenja. Rešenje identifikuje anomalnu aktivnost u hidroenergetskim generatorima i turbinama, daje rana upozorenja o potencijalnim kvarovima i kontinuirano ažurira stepen stanja opreme. To stvara slučajeve koje inženjeri pregledaju, omogućavajući timovima za održavanje da preduzmu blagovremene korektivne radnje. Vremenom, sistem usavršava svoja predviđanja učeći iz povratnih informacija stručnjaka. Ključne komponente Ӕgira:

1. Izvori podataka: Ӕgir unosi podatke iz više izvora, uključujući:

• SCADA sistemi za podatke senzora generatora, turbina i transformatora.
• Lokalni kontrolni sistemi koji obezbeđuju podatke indikatora za radnje ciklusa napajanja.
• Baze podataka sistema zaštite koje sadrže očitavanja senzora pritiska i vibracija visoke rezolucije.
• Sistem regulatora turbine za dodatna očitavanja upravljanja protokom fluida.
• CMMS sistemi za izdavanje karata za održavanje, koji čuvaju istorijske zapise o greškama i akcije popravke.
• Rezultati testova vizuelne inspekcije.

2. CBETT (taksonomija tipa greške zasnovane na uslovima):

• Strukturisana hijerarhija koja klasifikuje kvarove opreme na osnovu stručnog znanja Sira-Kvina, Norconsult-a i IRIS Pover-a.
• Preslikano na IEC/ISO 81346 standardne RDS kodove, obezbeđujući sistematski pristup dijagnostici i kategorizaciji problema.

3. Mašinsko učenje i modeli predviđanja:

• Modeli preživljavanja: Predvidite glavne kvarove generatora i turbina do 12 nedelja unapred.
• Modeli dubokog učenja: Identifikujte greške u roku od 4 nedelje sa većom preciznošću.
• Modeli za otkrivanje anomalija: Pratite sekvence pokretanja i aktivnost senzora da biste označili neobično ponašanje.
• Modeli se obučavaju u svim jedinicama, a zatim se usavršavaju za specifičnu opremu, poboljšavajući preciznost.
• Ako se više modela slaže oko anomalije, generiše se slučaj za pregled inženjera.

Uloga Sira-Kvine u projektu Sira-Kvina, norveška hidroenergetska kompanija, bila je ključni partner u implementaciji Ӕgira. Pre upotrebe Ӕgir-a, kompanija se oslanjala na tradicionalno praćenje i ručne inspekcije, što je dovelo do reaktivnih strategija održavanja. Sa Ӕgirom, Sira-Kvina sada ima koristi od proaktivnog pristupa, omogućavajući im da rano otkriju probleme, zakažu popravke kada su cene električne energije niske i minimiziraju neplanirane zastoje. Integracijom Ӕgir-a, Sira-Kvina je poboljšala svoju sposobnost da spreči kvarove, optimizuje rasporede održavanja i smanji operativne rizike, što ga čini vrednom studijom slučaja za prediktivno održavanje u hidroelektranama.

Ključne reči: veštačka inteligencija, mašinsko učenje, prediktivno održavanje, praćenje stanja