השימוש ב-Big Data Analytics ב- Gas Turbine Performance Optimization

טורבינות גז הן העורכים של ייצור חשמל מודרני ותעופה, המרת דלק לתוך דחף או חשמל עם אמינות ויעילות תובענית, כמו נתונים תפעוליים זורם ממאות חיישנים במרווחי תת-שניים, האתגר כבר לא על איסוף אלא על מיצוי תובנות ניתנות לפעולה מטורף זה של מידע. Big Analytics מאפשר אופטימיזציה של נתונים חדשים - זמן, לחץ, דלק, זרימת דלק, ופליטת גזים מתקדמים - כדי לזרז את הפחתת תהליכי תחזוקה אלה, תוך כדי סימולציה של מודלים של חומרים מתקדמים, תוך כדי סימולציה של חומרים מתקדמים.

יסודות Big Data Analytics for Gas Turbines

מקורות נתונים וכרך

טורבינת גז מודרנית מצוידת עם אלפי חיישנים המקליטים פרמטרים כל שנייה.הנתונים כוללים טמפרטורה ולחץ, תנאי דחיסה, רוחב להבות להבות, טורבינות וטמפרטורות מחוץ לתא, מהירות רוטטור, ניקוי להב-tip, וספקטרה רטט על פני מספר רב של אגמים.בצמח מחזור משולב, נתונים נוספים ממכשירי שיקום חום, טורבינות, ומערכות אחסון, ואיזון של כדור הארץ יכול להוסיף נתונים סטנדרטי יותר מאשר אגמים סטנדרטיים, כדי לנהל נתונים מבוזרים, כגון אגמים סטנדרטיים, כדי לנהל נתונים סטנדרטיים סטנדרטיים, 000 אחסון, 000 אחסון, 000.

שלושה Vs of Big Data in Turbine Analytics

ניתוח נתונים גדול בתחום זה מתאים עם שלוש Vs הקלאסי: נפח, מהירות ומגוון. Volume דורש אחסון באמצעות גבוהה ומסגרות עיבוד מקבילים כגון Apache Spark. Velocity, השיעור שבו זרימת נתונים, דורש עקשנות נמוכה צינורות צמתה וזרימת אנליזה שיכולה לדגל חריגות בתוך מילימטרים.

מתוך Proscriptive Analytics

ניתוח תיאורי, כגון הדמיה של מחוונים של אינדיקטורים ביצועיים מרכזיים (KPIs), לספק תמונה של פעולות נוכחיות.אנליזה דיגנוסטיות לחפור עמוק יותר בשורשים של יעילות dips או ספיגות רטט. ניתוח חיזוי משתמש בדפוסים היסטוריים כדי לצפות שנותרו בחיים שימושיים (RUL) של רכיבים גזי-אפ חמים.ניתוח מרשם עובר צעד נוסף, ממליץ על פעולות ספציפיות - כמו התאמה במדריך לתזמון או תזמון מראש של תפקודים של שרשרת מים.

יישומי מפתח ב- Gas Turbine Performance Optimization

תחזוקה חיזויית ושמירה על חיים שימושיים

תחזוקה חיזויית היא היישום הגבוה ביותר של ניהול נתונים רטט מתמשך, קריאה thermocouple, ושמן debris חיישנים, מודלים אנליטיים מאומן על אירועים היסטוריים כשל יכול לזהות אינדיקטורים מוקדמים של ללבוש, להב, או קידוד כפייתי סדקים. לדוגמה, רשתות עצביות ניתוח חתימות רטט גבוה השיגו יותר מ -90% דיוק בחיזוי תקלות מעבר עד 200 שעות לפני שהם יכולים להתרחש ירידה משמעותית של תחזוקתית.

מלבד חיזוי כישלונות, מודלים RUL משלבים עקומות המבוססות על פיזיקה עם תיקונים מונעים נתונים. הם פלטו מרווח אמון עבור כאשר מרכיב יגיע לסף החיים שלו, מפעילי צי מצטברים תחזיות אלה על פני טורבינות מרובות כדי לייעל חלקים בודדים ותזמון צוות תחזוקה.נוף ברמה צי זה הוא שם ניתוח נתונים גדול באמת פותח ערך מעבר אופטימיזציה חד-צדדית.

מעקב בזמן אמת ואבחון

ניטור ביצועים רציף משווה פרמטרים תפעוליים בפועל נגד מודל בסיס - לעתים קרובות מודל ביצועים מבוסס פיזיקה או מכונת למידה פונדקאית - המייצג את המצב הבריאותי של טורבינה. Deviations בתפוקה של כוח מתוקן, קצב חום, לחץ שחרור דחוס, או טמפרטורת גז ממצה להפיץ מעוררי אזעקה.ניתוח מתקדם מתואם את הסטיגמות אלה עם גורמים ספציפיים: דחיסה, סחף חום, או חוסר סובלנות של אנתרומיקה זו עלולה להזיזה של פעולות כגון דחיסות דלק סגורות, או דחיסות, לאחר מכן, או דחיסות אבטחה, או דחיסות אבטחה, לאחר מכן, או דחיסות אבטחה, כגון דחיסות אבטחה, או דחיסות אבטחה, או דחיסות אבטחה, או דחיסות אבטחה, או דחיסות אבטחה, או משככי כאבים, לאחר מכן, או משככי לחץ, לאחר מכן, לאחר מכן, לאחר מכן, משככי כאבים, משככי לחץ, משככי לחץ, או משככי כאבים, או משככי לחץ, לאחר מכן, לאחר מכן, משככי לחץ, לאחר מכן, לאחר מכן, או משככי כאבים, לאחר מכן, משככי לחץ משככי לחץ על פני דחיסות אבטחה משככי לחץ משככי לחץ אוויריות אבטחה

אופטימיזציה של סיבוכים וחילות שליטה

דינמיקת גז טורבינות הם לשמצה לא ליניארית ומושפעים על ידי הרכב דלק, תנאים נוחים, והזדקנות חומרה. Big Data Analytics מודלים היחסים בין אקוטיקה קובוס (תנודות מדכאות) לבין פליטות של NOx, CO, ו- unburned hydrocarbons. Using נתונים היסטוריים יותר ויותר, אלגוריתמים מכוונים את שסתום ה-דלקת דלק לדלקת דלקים כדי למזער פליטות תוך הימנעות פגיעה ב- 15% של צריכת דלקות, במיוחד עבור צריכת דלקות סביבתית לחץ יעיל יותר, כולל ירידה משמעותית להפחתה של צריכת דלקים.

צי-וייד בנצ'מרקינג ו- Anomaly Detection

כאשר טורבינות מרובות של אותו מודל לפעול על פני אתרים שונים, ניתוח נתונים גדול מאפשר ציון צי רחב.מודל מאומן על הנתונים המשולבים מכל יחידות יכול לזהות טורבינות אינפורמטיבי שפועל בטווח הרגיל שלו, אך מתפתל מההתנהגות הצפויה של הצי. Anomaly זיהוי אלגוריתמים, כגון autoencoders או יערות בידוד, יחידות משטח להראות דפוסים עדינים לכדי בלתי נראים לבסיסים של קבוצות מידע המאפשרות של קבוצות מידע זה מאפשר אלגוריתמיות.

היתרונות של Big Data Analytics

קבלן יעילות

אופטימיזציה של בריאות דחיסה, ביצועים של הבעירה, וזרימת אוויר קירור יכולים לשפר את יעילות הצומח המשולבת על ידי 1-3 נקודות אחוז. עבור צמח 500MW, כל אחוז של שיפור יעילות מתורגם לחיסכון שנתי של כמיליון דולר במחירי הגז הטבעי הנוכחי. Big Data Analytics מניע שיפורים אלה על ידי זיהוי שילוב של מצבי בקרה ופעולות תחזוקה הממקסימות את התפוקה של יחידת דלק.

עלויות הניכויים על פני מחזור החיים של הנכסים

עלויות תחזוקה עבור טורבינות גז בדרך כלל מהוות 25% עד 35% מסך ההוצאות התפעוליות.התחזוקה חיזויית מפחיתה הן עלויות עבודה ישירות והן חומר על ידי ביטול יתר מיותרות ומניעת כשלים קטסטרופליים.בנוסף, התזמון הממוטב של חלקי חילוף מאריך את חיי הרכיב.מחקר על ידי OEM גדול מצא כי ציים באמצעות מודלים מונעים על ידי נתונים UL להשקיע פחות 20% על חלקי חילוף לאורך יותר מעשור בהשוואה לציים לאחר תחזוקה קבועה.

שיפור הבטיחות והגמישות

גילוי מוקדם של זוועות הבעירה ולבוש מכני מקטין את הסיכון של כשלים באנרגיה גבוהה שמציבים סיכון בטיחותי לאנשי צוות ולנכסים.ניתוח מתקדם מספק למפעילים ביטחון להפעיל טורבינות בעומס גבוה יותר במהלך הביקוש לפסגה ללא מגבלות בטוחות יותר, יתר על כן, היכולת לדמות תרחישים "מה אם" באמצעות תאומים דיגיטליים מאפשר למהנדסים לבחון שינויים תפעוליים בסביבה וירטואלית לפני החלים אותם כדי לחיות ציוד.

יתרונות סביבתיים והתאמה

פליטות נמוכות יותר משילוב אופטימיזציה של צמחים כוח לעמוד בכובעים רגולטוריים ללא מערכות טיפול יקרות לאחר הטיפול. Airlines המשתמשת בתחזוקה מבוססת מנועים בתנאי לחץ להפחית את שריפת הדלק ואת פליטות CO2 על ידי שמירה על מנועי בצורה אופטימלית. Big Data Analytics תומך גם בדיווח על פליטות על ידי מתן רשומות מדויקות, זמן של תנאי הפעלה וריכוזים מזוהמים.

אתגרים במימוש

איכות נתונים וסטנדרטיזציה

סחף חושי, שגיאות קליברציה, ו טיפות תקשורת יכול להציג רעש כי מקטין דיוק מודל. קריאה חד-צדדית אחת כי הוא 10 מעלות צלזיוס גבוה מדי יכול לשנות את שיעור החיובי של מודל חיזוי באופן דרמטי. ארגונים חייבים להשקיע צינורות איכות נתונים חזקים כי לזהות ולאט חסר ערכים, חיישן דגל, ולהתאים יחידות סטנדרטיות על פני סוגים של טורבינות ובאופן אוטומטי אימות נתונים באמצעות תהליך מוכח, אך דורש שליטה יעילה כמו משיכה יעילה.

אבטחת סייבר ופרטיות נתונים

חיבור מערכות בקרה תעשייתיות לפלטפורמות מחשוב ענן מרחיב את פני השטח של ההתקפה.פרץ יכול לאפשר לשחקנים זדוניים לתמרן להאכיל חיישן, להזריק נתונים כוזבים למודלים של למידת מכונה, או לגרום למדינות הפעלה לא בטוחות.

כוח העבודה Skill Gap

ניתוח נתונים יעיל דורש מהנדסים אשר מבינים הן תרמודינמיקה ומדע נתונים.צלב מהנדסים מכניים ב Python, SQL, ומסגרות למידת מכונה הוא זמן-consuming, ומדענים מנוסים נתונים לעתים קרובות חסרים ידע דומיין. ארגונים רבים שותפים עם חברות ניתוח תעשייתיות מיוחדות או פלטפורמות ניתוח מוסמך OEM כדי לגשר על הפער.

שילוב עם Legacy Systems

טורבינות גז ישנות יותר עשויות להיות חסרות את צפיפות החיישן הנדרשת לניתוח מתקדם או מערכות בקרה שאינן יכולות לייצר נתונים ברזולוציה גבוהה. Retrofittingחיישנים ושיפור חומרת רכישת נתונים יכול להיות יקר. גישה פרגמטית היא לפרוס שערים קצה המאגדים אותות ממערכות בקרה מבוזרות קיימות (DCS) ולהוסיף חיישנים משלימים רק על רכיבים קריטיים.ה לאחר מכן עיבוד נתונים לפני העברתו לפלטפורמת ניתוח מרכזית.

כיוונים עתידיים

תאומים דיגיטליים ופיזיקה - Informed Machine Learning

תאומים דיגיטליים – העתקים וירטואליים שמגלים טורבינות פיזית בזמן אמת – מדגימים ניתוח נתונים גדול עם מודלים ראשוניים-פרימטיפים. הם מדמיינים את ההשפעה של שינויים המוצעים, כגון תערובות דלק שונות או פרופילי עומס, לפני יישום רשתות עצביות-דופן בפיזיקה משלבות את הדיוק של חוקים פיזיים עם הגמישות של מודלים המונעים על-ידי נתונים, השגת כוח חיזוי גבוה אפילו באזורים עם סיקור ספארי.

● צוק עם החלטות בזמן אמת

חששות לעקביות ומגבלות רוחב פס לדחוף עיבוד ניתוח קצה - חישוב מכשירים הממוקם ליד טורבינות. מודרני קצה GPUs לרוץ מודלים קלים שיכולים לזהות כישלונות מיידיים או לשלוט דינמיקה בתוך מחזור שליטה של 10-50 מילישניות.זה מאפשר תגובה אוטונומית לאירועים הנעשים במהירות כמו גל או להבה, ללא המתנה לטיולים עגולים ענן.

למידה מרחוק על פני צי

מודלים חזקים של למידת מכונה דורשים נתונים של טורבינות רבות, אבל שיתוף נתונים תפעוליים רגישים מעלה חששות תחרותיים ופרטיות. בנקאות פדרated מאמן מודל עולמי על ידי העלאה של עדכוני מודל מכל אתר ללא העברת נתונים גולמיים. כל אחד מהמידע המקומי של טורבינות נשאר על הדבקה, אך היתרונות המודל מתבניות שנלמדו על פני מאות יחידות. גישה זו היא עלייה בין כלי רכב הפועלים בצי מעורבבוני וחיזוי כדי לשפר ביצועים קנייניים ללא דיוק קנייניים.

הסברה בינה מלאכותית לאמון ולתאימות

כמו מודלים אנליטיים ממליצים על שינויים תפעוליים, מהנדסים ורגולטורים דורשים הסברים להמלצות אלה.סבירו טכניקות AI, כגון SHAP (הסברים התוספתיים של נאמנות) או LIME (הסברים הבין-ממשלתיים-אגנוסטיים מקומיים), כל החלטה לקלטי חיישן ספציפיים.לדוגמה, מודל מרשם הממליץ על שחיקה דחיסה יכול להראות כי ההחלטה הייתה מונעת על ידי 2% יעילות מתואם עם ירידה של 15% דרישות אבטחה קריטיות.

מסקנה

ניתוח נתונים גדול עבר מהרעיון מבטיח הכרחי עבור מפעילי צי טורבינות גז המבקשים יתרון תחרותי.היכולת להמיר terabytes של נתוני חיישן לחיזוי מדויק של תזמון, נקודות הפעלה אופטימליות, וסיומת החיים רכיב יוצרת ערך רב ויעילות, ירידה בעלויות, בטיחות וביצועים סביבתיים. בעוד אתגרים באיכות נתונים, אבטחת סייבר, כוח העבודה נמשך, התקדמות תאומים דיגיטליים, מחשוב, קצה, ולמידה הם גם מעצמית של כוח למידה עצמית, אך לא רק מחוספסת את הביצועים של כוח אדם.

עבור ארגונים רק להתחיל את המסע שלהם, גישה מגובשת - החל עם לוחות מחוונים תיאוריים, ואז לעבור מודלים חיזוייים, ולבסוף אופטימיזציה מראש - מספק את ההחזר הגבוה ביותר על ההשקעה ללא משאבים פנימיים מכריעים. על ידי בניית ארכיטקטורת נתונים חזקה והשקעה בכישרון חוצה משמעת, מנהלי צי יכולים לפתוח את מלוא הפוטנציאל של ניתוח נתונים גדול כדי למקסם את הביצועים והרווחיות של נכסי טורבינות גז שלהם.