רשת החשמל מהווה את עמוד השדרה של החברה המודרנית, ותתי-התתות משמשות כנקודות מפנה קריטיות שהופכות את רמות המתח ואת כוח התוואי לבתים ולתעשיות.במשך עשרות שנים, תחזוקה של נכסים אלה עקב לוח זמנים פעיל או מבוסס זמן: תיקון ציוד לאחר שהוא נכשל או להחליף רכיבים לאחר מספר קבוע של שנים, שתי הגישות הן יקרות ויעילות. עם ההתכנסות של בינה מלאכותית (AI) ואינטרנט של דברים חכמים יותר), יש אפשרות לבחון באופן דרסטי של תחזוקה, עד כמה זמן, עד כדי כך שעדיין לא יעיל יותר, הן יכולות להיות מדויקות, הן יכולות לשפר את התחזוקה, הן יכולות להיות יעילות, וחיזוי של תכונות של תכונות של תכונות של מערכת הבריאות.

הבנה של תחזוקה חיזוי

תחזוקה חיזויית (PdM) היא אסטרטגיה המונעת נתונים המשתמשת בנתונים וניתוחים של מצבי-היתר כדי לחזות מתי הציוד צפוי להיכשל.בניגוד לתחזוקה תגובתית, המתינה להתמוטטות, או תחזוקה מונעת, אשר עוקב אחר לוח זמנים קבוע ללא קשר למצב בפועל, תחזוקה חיזויית מבצעת תחזוקה רק כאשר מציע בעיה מתפתחת.

בליבה, תחזוקה חיזוי מסתמכת על שלושה אלמנטים: רגיש, העברת נתונים וניתוח. חיישני IoT ללכוד מדידות בזמן אמת כגון טמפרטורה, רטט, פריקה חלקית, לחץ גז, זרם. אלה מזרמי נתונים מועברים לפלטפורמה מרכזית, לעתים קרובות מבוססי ענן, שבו מודלים AI לנתח דפוסים לזהות סימנים מוקדמים של השפלה. כאשר מודל מזהה aomas, הוא יוצר התראה, המאפשר תחזוקה ובדיקה אופטימלית בזמן הנכון.

המעבר ממניעה לתחזוקה חיזויית הוא עמוד מרכזי של מודרניזציה ברשת.על פי דו"ח של המעבדה לאנרגיה מתחדשת (NREL) , תחזוקה חיזויית יכולה להפחית את עלויות התחזוקה ב-25% עד 30% ולבטל 70% עד 75% מההתמוטטות בהגדרות תעשייתיות.

תפקידה של AI בתחזוקה חיזוי

AI מביא את היכולת לעבד כמויות עצומות של נתוני חיישן וללמוד דפוסים מורכבים כי מפעילי אנוש יחמיצו. Machine Learning (ML) מודלים מאומן על נתונים היסטוריים הכוללים גם תנאי הפעלה רגילים ואירועים ידועים.לאחר פרסו, מודלים אלה תמיד להשוות נתונים חיים נגד קווי בסיס למדים וסטסטיות הדגל שעשויים להצביע על תקלה מתמשכת.

Machine Learning for Anomaly Detection

גילוי אנומלי הוא אחד היישומים הנפוצים ביותר של AI בתחזוקה תת-ממדית.טכניקות למידה בלתי מבוססות, כגון autoencoders ואלגוריתמים מקבצי איסוף, יכול לזהות קוראי חיישן יוצאי דופן מבלי לדרוש דוגמאות כישלונות מוכתבות.לדוגמה, עלייה פתאומית ברמות גז מבוזרות בשמן ההפוך - אפילו בתוך גבולות מקובלים - עשוי להיות מוקרן על ידי המודל כתבנית כי לפני כישלונות על ידי סופר, באמצעות חומרת היסטורית, באמצעות חומרת למידה, וכשל, באמצעות סוג נוסף של נתונים של כישלונות, וכשלים מתקדמים יותר, יכול להיות מוקרן.

מודלים למידה עמוקה יעילים במיוחד עבור נתוני זמן. לטווח קצר זיכרון (LSTM) רשתות עצביות ורשתות אבולוציה (CNN) יכולים ללכוד תלות זמנית בזרמי חיישן, כגון התדרדרות איטית של התנגדות מגע של פורץ דרך במשך שבועות או חודשים.מודלים אלה יכולים לצפות את החיים השימושיים הנותרים (RUL) של נכס, מתן חלון מדויק לתזמון.

מודלים חיזויים לבריאות נכסים

מעבר לזיהוי אנומלי, מודלים של בינה מלאכותית משמשים ליצירת ייצוגים דיגיטליים של בריאות הציוד.לדוגמה, מדד בריאות טרנספורמטיבי יכול להיות מחושב על ידי שילוב של משתנים קלט מרובים - טמפרטורת שמן, עומס, רטט, ניתוח גז מבוזר ופעילות חלקית - לתוך ציון יחיד.ציון זה מאפשר למפעילים כדי לייעל תחזוקה על פני צי של תת-התיקים.

● « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « «

מגבלות רוחב פס הופכות אותו לא מעשי לשלוח את כל נתוני חיישן הגלום לענן לניתוח. Edge AI מטפל בכך על ידי הפעלת מודלים קלים ישירות על שערי IoT או חיישנים חכמים הממוקמים בתוך תת-התשגנציה.מודלים אלה מבצעים אי-פעם אמיתית הקצינה ויכולים לגרום לפעולות מיידיות - כגון משיכת שבר מעגלים אם סף קריטי הוא עלה - ללא המתנה לעיבוד משמעותי של AI.

תפקיד ה-IoT ב- Substation Monitoring

IoT הוא מערכת העצבים של תחזוקה חיזויית: היא מספקת את הנתונים ש-AI צריך לתפקד. תת-התתלות המודרניות מצוידות במערך של חיישנים חכמים הממדדים באופן קבוע פרמטרים פיזיים וחשמליים.המכשירים הללו קשורים באמצעות פרוטוקולים של תקשורת תעשייתית, ויוצרים מערכת אקולוגית שמזנה לפלטפורמת נתונים מרכזית.

חיישן ואוסף נתונים

סוגי חיישן מרכזיים בתת-קבוצה כוללים:

  • (FLT:0 חיישנים טמפרטוריים (TemperatureחיישניםFLT:1) - לפקח על טמפרטורת הנפט במשתנים, טמפרטורה מחממת בחדרים מתגים, וטמפרטורת מגע במפרקים מעגליים.
  • (ב) חיישנים של אימונים (Vbrationחיישנים) 1:1 - לזהות ללבוש מכני במנועי צ'ינג, אוהדים, משאבות, מכונות רוטט.
  • (ב) חיישנים (FLT:0partial Extraction (PD) חיישנים של חיישנים 1) , לזהות הידרדרות בידוד בטרנספורמציה, כבלים ו- GIS (ג'אר גזים)
  • (FLT:0) ניתוח גז מסולק (DGA) צגות אחרות (DGA) 1:1 - מדד גזים כמו מימן, מתאן ואתלין בשמן המיר, אשר מצביעים על עיגול פנימי או מהתחממות יתר.
  • (ב) ,0) ,Current ו-ModerersFLT:1) לספק עומס חשמלי ונתונים איכותיים של איכות חשמל.
  • (ב) חיישנים בלחץ הגז והאנרגיה (FLT:1) - להבטיח תנאים מתאימים בתוך תא מתגים חתומה.

חיישני IoT אלחוטיים מחליפים יותר ויותר מתקנים מחונפים, צמצום עלויות ההתקנה ומאפשרים רטרוספקטיבה של תת-קבוצות מורשת ללא ארכה ארוכה של פרוטוקולים כגון LoRaWAN, Zigbee, ו-WiFiHART מאפשרים חיישנים בעלי כוח נמוך להעביר נתונים על פני מרחקים ארוכים.

פרוטוקולי תקשורת ועברת נתונים

מכשירים של IoT מתקשרים באמצעות סטנדרטים כגון IEC 61850, אשר מיועד לאוטומציה תת-התאמת ומאפשרת יכולת בין מכשירים מיצרנים שונים.הנתונים לעתים קרובות מצטברים על ידי שער תת-קרקעי או שרת קצה, אשר מבצע אימות ראשוני ופורמט. משם, הנתונים נשלחים לענן או על גבי פלטפורמת ניתוח מקדים באמצעות MQTT, AMQP, או HTTP דרישות אבטחה, פרוטוקול אבטחה.

שילוב עם AI Systems

שילוב מוצלח דורש צינור נתונים חזק כי ניקוי, פעמים, ותגים הנכנסים קוראי חיישן.זמן-סדרה מסדי נתונים (למשל, InfluxDB, TimescaleDB) משמשים בדרך כלל לאחסון נתוני עתירה גבוהה.מודלים AI הם אז לפרוס בתוך פלטפורמת הניתוח, או כעבודות אצווה או בזמן אמת בנקודת קצה.

לדוגמה, שירות יכול לפרוס חיישנים טמפרטורה ו- PD על 50 מהפךים על פני תת-התתות מרובות.רשת IoT מזרימת נתונים למנוע AI שפועל בהרכב של LSTM ו- XGBoost מודלים. כאשר האנסמבל דגלים הופך להיות בסיכון גבוה לכשל (למשל, 85% הסתברות בתוך 30 הימים הבאים), התראה נשלחת לצוות התחזוקה באמצעות אפליקציה ניידת, יחד עם מערכת הפעלה מומלצת באמצעות אינטגרציה באמצעות אינטגרציה.

היתרונות של אינטגרציה מלאכותית ו-IoT

השילוב של AI ו-IoT יוצר סינרגיות המספקות יתרונות תפעוליים וכלכליים מוחשיים עבור מפעילי רשת.

ירידה ב- Downtime

תחזוקה חיזויית מאפשרת שירותים להתערב לפני כישלון גורם יציאה.על ידי תיקונים בזמן תחזוקת המתוכנן חלונות, זמן השבתה לא מתוכנן מצטמצם.מחקר של מכון המחקר של חשמל כוח (EPRI) העריך כי תחזוקה חיזוי מבוססת בינה מלאכותית יכולה להפחית את הפחתת התדירות עד 50%.זה קריטי למניעת התנגשויות שחורות שעלולות להשפיע על אזורים שלמים.

חיסכון בעלויות

החלפת כוח גדול יכולה לעלות יותר ממיליון דולר ולקחת חודשים כדי לרכוש ולהתקין.תחזוקה חיזוי מרחיבה את החיים של נכסים כאלה על ידי לתפוס בעיות קטנות מוקדם יותר, בנוסף, עבודות תחזוקה משמשות ביעילות רבה יותר - צוותים נשלחים רק כאשר הנתונים מצביעים על בעיה אמיתית, ולא על לוחות זמנים קבועים.זה מקטין את עלויות הנסיעה, ועלויות המלאי עבור חלקי חילוף.

בטיחות מוגברת

ציוד הפחתת פעילות פועל במתחים גבוהים ויכול להיות מסוכן עבור אנשים לגשת במהלך אירועים כישלונות.אזהרות חיזוי מאפשרות למפעילים לבצע דה-energize ציוד מרחוק לפני שכישלון קטסטרופלי מתרחש, הגנה על עובדים מפני בזקי קשת, פיצוצים או שחרור גז רעיל. חיישנים IoT גם לאפשר ניטור רציף בסביבות מסוכנות, צמצום הצורך בבדיקות פיזיות.

חיים בציוד מורחב

על ידי טיפול בירידה מוקדם - למשל, סינון שמן כאשר רמות הגז מומסות עולות או הידוק קשרים רופפת כאשר מגמות רטט להגדיל - מפעילי יכולים לשמור ציוד בשירות במשך שנים ארוכות יותר מאשר עם גישות תגובתיות או מונעות.

שיפור אחריות וגמישות

תת-התמדה השוכנת באינטרנט בביקוש או במזג אוויר קיצוני תומכת ביציבות הכוללת של הרשת.תחזוקה חיזויית מסייעת למנוע כשלים שעלולים להוביל להפחתה או ליציבות מתח. כמו מקורות אנרגיה מתחדשת יותר עם פלט משתנה מחוברים, הצורך בציוד תת-התאימות אמין הופך אפילו יותר.

אתגרים במימוש

למרות היתרונות ברורים, פריסת AI ו-IoT עבור תחזוקה חיזוי בתת-התת, אינה ללא מכשולים.העדויות חייבות להתמודד עם אתגרים טכניים, ארגוניים וכלכליים כדי לממש את מלוא הפוטנציאל.

איכות נתונים וכרך

מודלים חיזוייים הם רק טובים כמו הנתונים שהם מאומן על מצע לעתים קרובות יש חיישנים רועשים, קישוריות לסירוגין, ונקודות נתונים חסרות. ניקוי ולייבל נתונים היסטוריים הוא כוח עבודה.יתר על כן, אירועים רבים של כישלונות הם נדירים, המוביל למאגרי נתונים לא מאוזנים שיכולים לסקר תחזיות מודל.

חששות אבטחת סייבר

חיבור חיישני IoT ופלטפורמות AI לרשתות תת-התרחבו את פני השטח של ההתקפה. חיישן שנפגע יכול להאכיל נתונים כוזבים למערכת הבינה המלאכותית, גרימת תחזיות שגויות או אפילו הפעלת פעולות מסוכנות.התתלות הן תשתיות קריטיות, ותקני אבטחת סייבר כגון IEC 62443 ו- NERC CIP חייבים לעקוב אחר.סוף-to-end הצפנה, מודולים אבטחה חומרה, ובקרת גישה קפדנית הם חיוניים לסגת רשת מידע באמצעות רשתות בקרה של IoT ותרגול של מערכות בקרה.

אפשרויות וסטנדרטים

תת-תחומים רבים מכילים ציוד ממוכרים מרובים, כל אחד עם פרוטוקולי תקשורת קנייניים ופורמטים של נתונים.Achieving תצוגה מאוחדת של בריאות נכסים דורש שילוב של תוכנה שיכולה לתרגם בין סטנדרטים (למשל, IEC 61 850, DNP3, Modbus). תקנים פתוחים ושיתוף פעולה בתעשייה, כגון OpenFMB, במטרה לפשט את האינטגרציה הזו, אך לעתים קרובות חסרים ציוד מורשת.

השקעה ראשונה וROI

חלוקת מערכת בינה מלאכותית מקיפה של בינה מלאכותית-IoT דורשת הון רב: חיישנים, שערים, תשתיות רשת, רישיונות תוכנה ואנשי צוות מיומנים. Utilities חייבים לבנות תיק עסקי ברור שחשבונות למניעת תקלות, חיי נכסים מורחבים, וצמצום עבודות תחזוקה.TheFLT:0IEEE נייר על AI ב- AI ב- Substation AutomationFLT:1 מציין כי לעתים קרובות מאמצים רואים תשואה חיובית בתוך שלוש שנים, אך ורק על נכסים קטנים יותר, אך ללא שימושים, ללא שימושים, או משאבים ממשלתיים קטנים יותר, ללא שימושים.

גליגל סקיל

מדעני נתונים שמבינים את למידת מכונה והנדסת חשמל הם נדירים.השימושים צריכים להמציא את האנשים הקיימים או לשכור כישרון חדש לתכנון, לפרוס, ולשמור על מודלים של AI.בנוסף, צוותי שדה חייבים ללמוד לבטוח ולפעול על אזהרות חיזוי, הדורשות שינוי תרבותי מהרגלים תגובתיים לביצוע החלטות המונעות על ידי נתונים.

כיוונים עתידיים

האבולוציה של טכנולוגיות AI ו-IoT ממשיכה לפתוח אפשרויות חדשות לתחזוקה תת-קרקעית.

תאומים

תאום דיגיטלי הוא העתק וירטואלי של תת-קבוצה המשקפת את המצב בזמן אמת באמצעות נתונים של IoT.מודלים של AI מפעילים סימולציות על התאום הדיגיטלי כדי לבדוק "מה אם" תרחישים - לדוגמה, מה קורה כדי להפוך את הטמפרטורה אם העומס עולה ב-20% במהלך גלי חום?זה מאפשר למפעילים לייעל לוחות זמנים של תחזוקה ואסטרטגיות תפעוליות ללא סיכון ציוד אמיתי.

5G ו- Next-Generation Connectivity

רשתות 5G מציעות שקיפות נמוכה, רוחב פס גבוה וקישוריות מכשיר מסיבי, מה שהופך אותם אידיאליים עבור substation IoT.עם 5G, ניתוח וידאו ברזולוציה גבוהה, שליטה בזמן אמת של רובוטים לבדיקה, וזרמים בקנה מידה גדול ניתן לתמוך באופן אמין. רשתות 5G פרטיות פיילוט בהגדרות שירות לספק תקשורת ⁇ סטית עבור יישומים קריטיים.

מערכות תחזוקה אוטונומיות

ההתקדמות רובוטיקה ו-AI מובילה לתאים אוטונומיים לחלוטין. ד"ר ד"ר מצויד במצלמות תרמיות וחיישנים קוליים יכול לבצע בדיקות חיצוניות. רובוטים מהירים יכולים לנווט חדרי מתגג'אר ולאסוף נתונים. AI מתזמר את המכשירים האלה, תוכניות נתיבי בדיקה אופטימליים, ויזום פעולות תחזוקה ללא התערבות אנושית.

AI (XAI)

עבור מפעילי השירות לבטוח בתחזיות בינה מלאכותית, הם צריכים להבין מדוע מודל שציטט נכס כסיכון גבוה.טכניקות AI הסבירות, כגון SHAP ו LIME, לספק תובנות לגבין קוראי חיישן תרמו ביותר לחיזוי.זה עוזר למהנדסים לאמת את התפוקה ולבנות ביטחון, צמצום אימוץ.

מסקנה

תחזוקה חיזויית המופעלת על ידי AI ו-IoT היא כבר לא מושג עתידני - זוהי אסטרטגיה מעשית ומוכחת לשיפור האמינות, הבטיחות והיעילות של תת-התתות ברשת.על ידי מעקב מתמיד אחר בריאות הציוד וכישלונות החיזוי, הכלים יכולים להימנע מהוצאות יקרות, להאריך את חיי הנכסים, ולהקטין את ההוצאות התפעוליות הקשורות לאיכות המידע, אבטחת המידע, מיומנויות, ולהישאר, קידום טכנולוגיות מתמשך, ושיתופי פעולה חכמים יותר, כמו גם לחיזוי יעיל יותר, כמו גם לתפקודים של תעשיית האנרגיה.