השימוש בנתונים גדולים ולמידה מכונה כדי לחזות כשלי ציוד במפעלי ההשכלה

התפקיד הגדל של Big Data ו- Machine Learning בחיזוי כשלי ציוד במפעלי ההשכלה

צמחים העשרה אורניום תופסים עמדה קריטית במחזור הדלק הגרעיני.מתקנים אלה מעבדים גז אורניום hexafluoride באמצעות צנטריפוגות מהירות גבוהה או טכנולוגיות העשרה אחרות כדי להגדיל את ריכוז של איזוטופ איזוטופ אורניום-235.הפעולה המתמשכת של אלפי מכונות מתרוקנות מספיק, שסתום, דחוסים, ומערכות קשורות יוצרות מתח מבצעי עצום.

ההתקדמות האחרונה בניתוח נתונים גדול ולמידה מכונה מציעים אלטרנטיבה רבת עוצמה: תחזוקה חיזויית.על ידי הפחתה מתמדת וניתוח זרמים של נתוני חיישן, יומני מערכת בקרה, ורשומות כשל היסטורי, מודלים של למידת מכונה יכולים ללמוד את החתימות המעודנות כי לפני כן, כאשר הם פורסים ביעילות, מודלים אלה מזהירים את מפעילי זמן או שבועות לפני כישלון יתרחש, המאפשר התערבות ממוקדת.

Big Data: The Foundation of Predictive Analytics in Enrichment Plants

נתונים גדולים בהקשר של מתקני העשרה מתייחסים לכמויות הגבוהות, לזמינות גבוהה, ולמידע רב-תחומי שנוצר על ידי כלי צמחי, מערכות בקרה וזרימות עבודה תפעוליות. ארקייד מודרני יחיד יכול לייצר אלפי נקודות נתונים לשנייה: משאבות רטט, פרופילי טמפרטורה, זרמי גז, מהירויות רוטטור, פליטות אקוסטיות, ובאופן כפול של מאות צניפים, כמו דליקות חשמל, ועוד כוננים, ועוד למערכות טמפרטורה, תמיכה של למערכות חשמל, , , למערכות חשמל, , , , מהירויות קירור, , מהירויות קירור , , מהירויות מהירויות של מאות , , , , פיזור , , , , , , , , , מהירויות , , מהירויות מהירויות מהירויות מהירויות של פחות ממושכות , מהירויות מהירויות , , , , , מהירויות מהירויות , מהירויות ריקבות , , , , 000 טמפרטורות קירור , מהירויות של פחות ממושכות מהירויות של פחות מהירויות של פחות , , מהירויות של פחות מהירויות של פחות מהירויות של פחות ממושכות מהירויות , ,

שלושת המאפיינים המכוננים של נתונים גדולים בצמחי העשרה הם:

• (FLT:0)Volume:FLT:1 סטרימינג נתונים מחיישנים רבים והיסטוריונים מצטברים במהירות.אחסון ועיבוד חייבים בקנה מידה אופקי כדי להתמודד עם עשרות שנים של היסטוריה מבצעית.
• (FLT:0)Velocity:FLT:1 ניטור בזמן אמת דורש הפחתה של נתונים ברמה גבוהה של מילימטרית כדי ללכוד אירועים טרנסיים כגון התנגשויות רוטטור או צניחה לחץ לבד לא יכול לתמוך אזהרות חיזוי.
• (FLT:0Varietymia:FLT:1 נתונים באים בצורות מובנה (מספריות של קריאות חיישן), פורמטים למחצה-מבנה (אזהרות של SCADA, יומני אירועים), ומקורות לא-מבנים (דיווחים על צמיחה, הערות בדיקה).שלבים אלה מניפים תכונות מודל.

ניצול יעיל של נתונים גדולים מתחיל עם תשתיות נתונים חזקות.צמחים רבים להעשיר עכשיו ליישם אגמים תעשייתיים או מסדי נתונים של זמן (למשל, InfluxDB, TimescaleDB) שיכולים לאחסן נתונים גולמיים, גבוהים וקידודים לצד סיכומים מצטברים.ד.ד.ד.דירקטורים של ממשל נתונים להבטיח כי רשומות חיישן, פעמים, ודגלים איכותיים נשמרים.

טכניקות למידת מכונות לתחזוקה חיזוי

למידת מכונות מספקת את המנוע האנליטי שהופך נתונים גדולים לחיזוי כישלונות מעשי.זרימת העבודה הליבה כוללת אלגוריתמים של אלגוריתמים על נתונים היסטוריים שבהם ידוע אירועי כישלונות, ולאחר מכן פריסת המודלים האלה על מנת לזהות סימני אזהרה מוקדמים.

למידה על כישלון Classification and Regression

למידה מבוססת דורשת נתונים מתוייגים - תקליטים המעידים על כשל התרחש, באופן אידיאלי, כאשר יישומים נפוצים כוללים:

• (FLT:0) מודלים של Classification:FLT:1 Algorithms כגון Random Forest, Gradient Boosting, או תמיכה מכונות Vector לחזות תוצאה בינארית: האם מרכיב מסוים נכשל בתוך שעות N הבאות? מודלים אלה מזהמים ציון ההסתברות כי מפעילי יכול סף עבור התראות.
• מודלים של תפוצה:0 (FLT:1 במקום כישלון בינארי, רגרסיה צופה שנותרו חיים שימושיים (RUL) לדוגמה, מודל עשוי להעריך כי מנוע צנטריפוגה יש 1,200 שעות של חיים שנותרו על בסיס מגמות הרטט הנוכחיות.

הנדסה תכונה היא קריטית בלמידה מבוקרת.מומחים מסייעים למהנדסים לחלץ צופים משמעותיים: סטטיסטיקות חלונות מתגלגלות (mean, variance, skewness של רטט על פני 500 סיבובים האחרונים), תכונות תדירות-דומיין מ- Fast Fourier Transforms, או מדדי מתח מצטברים כמו מחזורי טמפרטורה מלאים.

למידה בלתי מבוקרת ל-Anomaly Detection

כאשר נתונים של כשלים מתוייגים הם נדירים – לעתים קרובות המקרה של כשלים קטסטרופליים נדירים – למידה ללא פיקוח מציעה דרך קדימה. אלגוריתמים אלה לומדים את המעטפה התפעולית "הנורמלית" של ציוד וסטיות דגל.

• (ב) ⁇ :0) ,Autoencoders:FLT:1, רשתות ניאל התאימו לשחזר דפוסי חיישן רגילים.שיקום שגיאות כאשר מתרחשת אנומליה.
• (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

מודלים לא מבוקרים מצטיינים בזיהוי מצבי כשלון חדשים שלא ניתן לראות בנתונים אימון.עם זאת, הם עשויים לייצר אזעקה כוזבת אם שינויים בתהליך תקין (למשל, שינויים עומס) אינם אחראים על כך.שלב גלאיים לא משגיחים עם מדגמים בפיקוח בצנרת שני שלבים יכול להפחית את אזהרות קצבה.

למידה עמוקה לתבניות מורכבות

ציוד רבייה מייצר נתונים של זמן עם תלות מורכבת - תבניות של רטט אשר מתפתחים לאורך שניות, יחד עם מחזורים יומיים ומגמות השפלה לטווח ארוך.

• רשתות זיכרון קצרות טווח (LSTM) ו- Gated Recurrent Units (GRUs): FLT:1 רשתות חוזרות אלה יכולות ללכוד תלותיות לאורך חלונות זמן ארוכים, מגמות למידה שנמשכות שבועות או חודשים.
• (FLT:0convolutional Neural Networks (CNN) על ייצוגים בזמן- ⁇ : ⁇ 1 על ידי המרת הגרלות זמן ל-spectrograms (תמונות בזמן קידוד), CNN יכולים לזהות דפוסים בלתי נראים בנתונים גולמיים.

מודלים למידה עמוקה דורשים כמויות גדולות של נתונים באיכות גבוהה ומשאבים חישוביים.הם מתאימים ביותר לערכים גבוהים, ציוד גבוה של שקיפות כמו דחיסים מרכזיים או גנרטורים, כאשר העלות של שלילי כוזב היא קיצונית.

Reinforcement Learning for Maintenance Optimization

מעבר לחיזוי טהור, למידה חיזוק (RL) יכול לייעל את תהליך קבלת ההחלטות: מתי לבדוק, איזו פעולת תחזוקה לקחת, וכיצד לרצף תיקונים לצמצום זמן השבתה. סוכן ה-RL אינטראקציה עם סביבת סימולציה שמודלים של הידרדרות בציוד ומגבלות תפעוליות. על ידי למידה באמצעות ניסוי וטעייה, הסוכן מגלה מדיניות אשר מאזן עלויות תחזוקה מונעת מפני סיכונים כישלונות.

יישום Analytics חיזוי: מסגרת מעשית

צמצום מידע גדול ולמידה של מכונה במפעל העשרה הוא אתגר הנדסי וארגוני כפי שהוא טכני. גישה בנתה מגדילה את הסבירות של ערך מתמשך.

שלב 1: זיהוי ציוד קריטי ומצבי כשל

לא כל הציוד מצדיק את העלות של מודל חיזוי.מהנדסי צמחים צריכים לבצע ניתוח מצב ואפקטים (FMEA) כדי לאשר נכסים המבוססים על השפעה בטיחותית, עלות שעת השבתה ותיקון המורכבות. Centrifuge, חותמות גז, מגדלי קירור לעתים קרובות מדורגת גבוה.

שלב 2: הקמת רכישת נתונים ותיקון

ייתכן שכיסוי חושי צריך להתרחב - אימוני רטט או חיישני טמפרטורה עד רכיבים לא מזוהים בעבר.היסטוריונים נתונים חייבים להיות מוגדרים כדי ללכוד אותות גולמיים בשיעורי דגימה מתאימים, לא רק 10 דקות בממוצע.

שלב 3: פיתוח מודלים סופיים

מדעני נתונים עובדים עם מומחי דומיין כדי לבחור תכונות רלוונטיות והנתונים ההיסטוריים מחולקים לאימון, אימות ובדיקות - לוודא שמבחן קובע כיסוי זמני זמן מאוחר יותר כדי להימנע מדליפה זמנית. ביצועי מודל נמדדים באמצעות מדדים המשקפים סדרי עדיפויות צמחיים: דיוק (ללא אזעקה כוזבת) וזוכרים (כשלונות אמיתיים) ומבחן לאחור על אירועי כשלים לא מוצלחים הם חיוניים.

שלב 4: אינטגרט לתוך זרימת עבודה תפעולית

מודל שמייצר רק דוחות בלוחם לא מקוון משמש לעתים רחוקות. פריסה יעילה מטביעה תחזיות לתוך תצוגות חדר הבקרה של הצמח, התראות ניידות לצוותי תחזוקה ומערכות ניהול ממוחשבות (CMMS). Thresholds for alerts יש להתאים ולאומת על ידי מפעילי בשלב הטייס.

שלב 5: מעקב מתמיד ואימון

שינויים בציוד, שינוי תנאי הפעלה, וסחף חיישן מתרחשים.מודלים חיזוי דורשים אימון תקופתי - חודשי או רבעי - להסתגל לדפוסי כישלונות חדשים.טכניקות זיהוי נתונים גורמות לצוותים כאשר קלטי מודל מפצה הכשרה, מה שגרם לסקירה של המודל.

יתרונות עצומים של תחזוקה חיזוי במפעלי ההשכלה

ארגונים אשר יישמו נתונים גדולים ולמידה של מכונות עבור תחזוקה חיזוי בהעשרה או תעשיות כבדות דומות מדווחים על שיפורים משמעותיים.

• (FLT:0) ניכוי בזמני השבתה לא מתוכננים: ⁇ 1 מוקדם של גילוי כישלונות מאפשר תחזוקה להיות מתוכנן במהלך מיזמים מתוכננים. מקרי מקרה מתחנות להעשרת גזים מעידים על ירידה של 30–50% בעמודים בלתי פתורים לאחר פריסת זיהוי אנמאוטי מבוסס רטט.
• עלויות תחזוקה:0 (FLT:1 נע מהחלפת זמן (כל 8,000 שעות, ללא קשר למצב) תחזוקה מבוססת תנאי מרחיבה את החיים ומפחיתה עלויות העבודה והמלאי.חלק מהמתקנים מדווחים על ירידה של 20-30% בהוצאות תחזוקה הכוללות.
• (FLT:0) שיפור הבטיחות: FLT:1 כשלים קטסטרופליים - פיצוצים, דליפות חותם המשחררות אורניום hexafluoride - מונעים.
• (FLT:0)התאוששות באמצעות חישוב: FLT:1 עם פחות התאמות וחלונות תחזוקה אופטימיזציה, גורם יכולת צמחי משתפר. עלייה של 1% בזמינות במפעל העשרה גדול יכול לתרגם למיליוני דולרים בהכנסות שנתיות מיחידות עבודה שונות (SWU).
• תרבות מבוססת נתונים:0 (FLT:1) תהליך בניית מודלים חיזויים צוותים כדי לתקן פורמטים של נתונים, לשפר את דיוק החיישן, ולהטמיע את האמינות של חשיבה לפעילות יומיומית.

יישומים אמיתיים ותעשייה דוגמאות

בעוד פרטים ספציפיים של נתוני צמחי העשרה מסווגים לעתים קרובות בשל חששות הפצת, יישום דומה בכוח הגרעיני ובמגזרים פטרוכימיים מספקים מקבילות הרסניות.

בתחנות כוח גרעיניות, תוכנית התגובה של מים האור של מחלקת האנרגיה של האנרגיה של אנרגיה, הוכיחה כי מודלים המונעים על ידי נתונים יכולים לחזות תקלות משאבה מגניבות חודשי צינור אדים מראש.צמחים רבי עוצמה חולקים ציוד מתרקב ומערכות תרמיות-hydraulic, מה שהופך את הטכניקות האלה ישירות להעברה.FLT:0 למד על AI בתחזוקה גרעינית צופה צמיחה לאחור של 1:1.

במגזר הנפט והגז, חברות כמו BP ו Shell פרסו למידה מכונה על עשרות אלפי חיישנים על פני התאמות ופלטפורמות offshore, צמצום זמן השבתה לא מתוכנן על ידי יותר מ-40%.המתודולוגיות - ניתוח החלות על חיישנים לחץ, ניטור טמפרטורה וזיהוי אקוסטי - בעד העשרה מערכות טיפול בגז צמחי.

הסוכנות הבינלאומית לאנרגיה אטומית (IAEA) הכירה בפוטנציאל של תאומים דיגיטליים ו-AI למתקנים של מחזור דלק גרעיני ב-2022, ציינה הסוכנות כי "ניתוחים ראשוניים יכולים לשפר את הבטיחות והאמינות של ארקדי העשרת ה-Cscades" וקראו לשיתוף פעולה נוסף בין המדינות החברות ב-Share נתונים ומודלים.FLT:0IA דו"ח טכני על תאומים דיגיטליים (2022)FLT:1.

אתגרים לOvercome

למרות ההבטחה, יש לטפל בכמה מכשולים לפני נתונים גדולים ולמידה של מכונה הופכת לכלים סטנדרטיים בצמחים להעשרת צמחים.

איכות נתונים וזמינות

מתקני העשרה מבוגרים רבים לא תוכננו עם לכידת נתונים דיגיטליים במוח.החיישנים שלהם עשויים להיות מוגבלים למדידים מקומיים לקרוא על ידי מפעילי.התאוששות עם חיישנים ברשת דורש השקעה הון ותכנון זהיר כדי להימנע מלהציג נקודות כישלון חדשות.יתר על כן, תוויות אירועים דורשות דיוק-שמירת שיא - צמחים מאומנים יש לו יומני נייר מפוזרים או לא עקביות.

אבטחת סייבר ואינטגריטי נתונים

מערכות תחזוקה חיזוייות המחברות את הטכנולוגיה המבצעית (OT) לפלטפורמות ניתוח ענן מרחיבות את פני השטח של ההתקפה.מתקפת סייבר שמתפעלת את נתוני החיישן עלולה לגרום למודלים להחמיץ כישלונות אמיתיים או לייצר אזעקה כוזבת שמשבשת את פעולות הצמח.FLT:0NIST של Cybersecurity FrameworkeurFLT:1 מספקת הדרכה לאבטחת מערכות בקרה תעשייתיות, אך יישום דורש משאבים ייעודיים או על מחשובי מחשוב עתידיים, אך עלול להפחית את העלות בסיכון גבוה יותר.

מומחיות ושגשוג כישרון

בניית מודלים חיזוי יעיל עבור ציוד העשרה דורש שילוב נדיר של מיומנויות: הנדסה גרעינית, מדעי נתונים והנדסה תוכנה. צמחים רבים חסרים צוותי נתונים בבית. Outsourcing לספקים יכול לעזור, אבל אז ידע מוסדי של מצבי כישלונות ומגבלות תפעוליות חייב להיות מועבר. [+] הצלחות לטווח ארוך תלוי על מיומנות מהנדסים קיימים או אנשי מקצוע היברידיים.

שילוב עם Legacy Control Systems

צמחים רבי עוצמה משתמשים לעתים קרובות במערכות SCADA קנייניות של ספקים מרובים, עם API מוגבל עבור הפקת נתונים חיצוניים. Standardizing ממשקי נתונים (למשל, OPC UA, MQTT) הוא תנאי מוקדם עבור כל פלטפורמה ניתוח מרכזי.

מודל אי-אפשרות ואמון

מפעילי תחזוקה ומנהלי תחזוקה אינם מוכנים לפעול בחיזוי "קופסא שחורה" מבלי להבין מדוע טכניקות בינה מלאכותית מוסברות – כגון ערכי SHAP או LIME – יכולות להראות אילו חיישנים תרמו לרוב לערעור כשל.עם זאת, בניית אמון לוקחת זמן.

כיוונים עתידיים: הדור הבא של תחזוקה חיזויית

התחום מתקדם במהירות, וכמה מגמות מתעוררות יעצבו תחזוקה צפויה במפעלי העשרה בעשור הבא.

תאומים דיגיטליים ומודלים משולבים

תאום דיגיטלי הוא העתק וירטואלי של נכס פיזי המראה את ההתנהגות בזמן אמת באמצעות מודלים המבוססים על פיזיקה המוגדלים עם נתוני חיישן.כאשר בשילוב עם למידת מכונה, תאום דיגיטלי יכול לדמות "מה אם" תרחישים - למשל, מה קורה אם הטמפרטורה נושאת עולה 2C - כדי לחזות מצבי כישלונ שלא התרחשו מעולם לפני כן.

צוק איתן ו- On-Device Machine Learning

במקום לשלוח את כל הנתונים הגולמיים לשרת מרכזי, מכשירים קצה (מחשבים תעשייתיים או חיישנים חכמים) יכולים להפעיל מודלים לזיהוי חריגים קלים באופן מקומי.זה מפחית את הגמישות, משפר את האמינות, והגבלת החשיפה של אבטחת סייבר. Edge הוא שימושי במיוחד עבור ניתוח רטט גבוה, שבו שידור נתונים רציף יכריע את רוחב הפס.

למידה מתוכננת ל- Cross-Plant Models

צמחי העשרה בודדים עשויים להיות נתונים מוגבלים, במיוחד לאירועים נדירים.לימוד פדרנד מאפשר צמחים מרובים (או אפילו מדינות שונות) להכשיר מודל עולמי ללא שיתוף נתונים גולמיים - רק מודלים מודלים מוחלפים. גישה זו יכולה לשפר באופן דרמטי את התחזיות תוך התייחסות לחששות קנייניות והפצתיות. ניסויים מוקדמים בדור הכוח הראו תוצאות חיוביות.

שילוב עם מציאות מוגברת לתחזוקה

כאשר מודל חיזוי מזהיר כי משאבה צפויה להיכשל ב 72 שעות, צוות תחזוקה צריך לפעול במהירות. Augmented המציאות (AR) ראשי תיבות יכול להדוף הליכים לתיקון שלב אחר שלב, רשימות חלקים, ו יומני תחזוקה היסטוריים ישירות על הציוד.שלב התראות חיזוי עם AR מחסחסחסינות את הזמן מכוננות לפתרון, למקסם את הזמן.

מסקנה

נתונים גדולים ולמידה של מכונות משנים את תחזוקה הציוד במפעלים מהמרכז עלות תגובתית לנהג פעיל של בטיחות, אמינות ויעילות.הזרמים העצומים של נתוני חיישן שזרמו ממקרי ההעשרה המודרניים הם משאב שמחכה לנצל.על ידי יישום של טכניקות למידה מבוקרות, לא מבוססות, ועמיקות, מפעילי צמח יכולים לצפות כישלונות או שבועות מראש, תחזוקה עם דיוק, ולהפחית סיכונים גרעיניים לא יכולים להיות קשים.

הצלחה דורשת יותר מטכנולוגיה לבדה.הוא דורש השקעה בתשתיות נתונים, שיתוף פעולה בין מהנדסים ומדענים נתונים, מיקוד ברור על אבטחת סייבר ותרבות שאותה אמון בתובנות המונעות על ידי נתונים.הצמחים אשר מאמצים טרנספורמציה זו יהיו יותר מתאימים לעמוד בביקוש העולמי ההולך וגדל לאנרגיה גרעינית פחמן נמוכה תוך שמירה על הסטנדרטים הגבוהים ביותר של מצוינות מבצעית.

ככל שהדיגיטליזציה ממשיכה להאיץ, השימוש בנתונים גדולים ובלמידה של מכונה לא רק יהיה יתרון, אלא גם ציפייה לפעילות העשרה בטוחה ויעילה ברחבי העולם.השאלה אינה האם לאמץ טכנולוגיות אלה, אלא כמה מהר ויעיל הן יכולות להשתלב בזרימות עבודה קיימות.