Gaz Türbin Performans Optimizasyonunda Büyük Veri Analizinin Kullanımı

Gaz Türbin Performans Optimizasyonunda Büyük Veri Analizinin Kullanımı

Gaz türbinleri, modern enerji üretimi ve havacılığının iş yolları, yakıtı talep eden güvenilirlik ve verimlilikle itmek veya elektrik dönüştürmektir. Operasyonel veriler, alt saniye aralıklarda yüzlerce sensörden akışlar olarak, bu analitikleri elde etmek için daha fazla bilgi toplamakla ilgili değildir. Büyük veri analizi ham sensör okumalarını - sıcaklık, basınç, titreşim, yakıt akışı ve egzoz gaz kompozisyonu - bu analizleri tahmin eden modeller - bu analizleri optimize etmek, optimize etmek ve genişletmek için daha fazla mühendislerdir.

Gaz Türbinleri için Big Data Analytics'in Vakıfları

Data Sources and Volume

Modern gaz türbini her saniye rekor parametreleri olan binlerce sensörle donatılmıştır. Veriler ısı ve basınç, kompresör deşarj koşulları, kompost alev yoğunluğu, türbin içi ve çıkış sıcaklıkları, rotor hızı, bıçak uçları ve vibrasyon spektralları ile donatılmıştır.Birleşmiş depolama tesisinde, Hadoop veya bulut tabanlı veri toplama sistemleri gibi dağıtılabilir.

Türbinde Büyük Verinin Üç Vs Of Big Data in Türbin Analytics

Bu alanda büyük veri analizi klasik üç Vs ile uyumludur: hacim, hız ve çeşitlilik. Cilt, Apache Spark gibi yapılandırılmış sensör depolama ve paralel işleme çerçevelerini talep eder ve bu tür verileri normalleştirmiş IoT telemetrisi.Bu tür başarılı uygulamalar, bu tür verileri hem gerçek zamanlı uyarı ve tarihsel trendleri destekleyen birleşik bir şemaya uygular.

Prescriptive Analytics

Anahtar performans göstergelerinin panomatikleri (KPIs), mevcut operasyonların anlık bir anlık sağlar. Tanı analizi, verimlilik alanındaki artışlara veya violating operasyonel kısıtlamalara daha derin bir şekilde yol açar. Prescriptive Analytics geri dönmez.Rektör analizleri için başlangıçlı analizler için temel değer zinciridir.Probleksajör yardımcıları için temel değer zincirini tavsiye eder.

Gaz Türbin Performans Optimizasyonu

Öngörücü Bakım ve Faydalı Yaşam Estimasyonunu Kalan

Tahmin edici bakım, en yüksek maliyetli uygulamadır. Sürekli vibrasyon verilerinin tüketilmesiyle, termo çift okumaları ve petrol mahvez sensörleri, tarihsel başarısızlık olayları üzerinde eğitilmiş analitik modeller, düşük doz çatlakları, bıçakları veya yanma çizgisine cevap vermek yerine erken göstergeleri tespit edebilir. Örneğin, sinir ağları yüksek frekanslı vibrasyon imzalarını tahmin etmek için% 90'dan fazla doğruluk elde etti ve büyük aralıkların 200 saate kadar büyük bir denetimin artırılmasına izin verir.

Başarısızlık tahmininin yanı sıra, RUL modelleri, fizik tabanlı bozulma eğrilerini veriye dayalı düzeltmelerle birleştirir. Bir bileşen nihai yaşam eşine ulaşacaksa, Filo operatörleri bu tahminleri birden çok türdeki tahminleri yedek parçalar envanter ve bakım ekibi zamanlamasını optimize etmek için birleştirir.Bu filo seviyesindeki görüş, büyük veri analizinin gerçekten tek kullanımlık optimizasyonun ötesinde bir değer ortaya çıkarır.

Gerçek Zaman Performansı İzleme ve Tanıklar

Sürekli performans izleme, temel bir modele karşı gerçek işletim parametreleri karşılaştırır - belirli nedenlerle bir fizik tabanlı performans modeli veya makine öğrenimi yarı iletkenliği - bu tür, türleştirilmiş güç çıktısı, ısı oranı, kompresör deşarj basıncı veya egzoz gaz sıcaklıkları alarmları gibi doğrulayıcı eylemleri temsil eder. Gelişmiş analizler bu sapmaları belirli nedenlerle ilişkilendirir: kompresör düşmanları, termo sürüklenme veya yanma dinamikleri temsil eder.

Combustion Optimizasyon ve Emisyon Kontrolü

Gaz türbini yanma dinamikleri belirgin şekilde doğrusal değildir ve yakıt kompozisyonu, ortam koşulları ve donanım yaşlanması ile etkilenmektedir. Büyük veri analizi modelleri, komütür akustik (basınma dalgalanmaları) ve NOx, CO ve nonburned hidrokarbonlar için en iyi bölmeleri tahmin edebilir. tarihsel veriler kullanarak, algoritmaların yakıt destekli valfler ve pilot-premix yakıt bölmeleri, yükümlülüklerden kaçınırken en aza indirmek için özellikle kritik değişikliklerdir. Örneğin, bir makine öğrenimi modeli, verilen yük ve ortam nem için en uygun bölünmüşlüğü tahmin edebilir.

Filo-Wide Benchmarking ve Anomaly Tespit

Aynı modelin birden çok türü farklı sitelerde çalışırken, büyük veri analizi, filo çapındaki karşılaştırmalara olanak sağlar. Tüm birimlerden alınan bir model, kendi normal aralıklarında çalışan bir temel türü tespit edebilir, ancak sitelerdeki en iyi uygulamaları paylaşması sağlar.Anomaly algılama algoritmaları, örneğin otoencoders veya izolasyon ormanları, yüzey birimleri ince bozulma kalıpları görünmez.

Big Data Analytics'in Tangible Faydaları

Operasyonel Verimlilik Kazanıyor

Soğutma kompresör sağlığı, yanma performansı ve soğutma hava akışları, 1-3 yüzde puana kadar toplam üretim verimliliğini artırmak için, her bir verimlilik noktası, yaklaşık 1 milyon dolarlık yıllık yakıt tasarrufuna dönüşür. Büyük veri analizi, bu gelişmelerin bir araya gelmesiyle, bu gelişmelerin, yakıt ünitesine maksimum 500 MW bitki başına maksimum verim sağlayan kontrol noktalarının ve bakım eylemlerinin kombinasyonunu tanımlamakla birlikte artırılabilir.

Maliyet Azaltıları Zengin Yaşam döngüsünde

Gaz türbinleri için bakım maliyetleri genellikle toplam işletme giderleri% 25 ila% 35 oranında hesap verir. Tahmin edici bakım, hem doğrudan iş hem de maddi maliyetleri gereksiz aşırı bakımları ortadan kaldırmak ve felaket hataları önlemek için ek olarak, parçaların optimize edilmesi, parçaların değiştirilmesinin optimize edilmesi, veriye dayalı RUL modellerinin kullanılmasının, sabit bakım onarımlarının %20 daha azını sağladığını tespit etti.

Geliştirilmiş Güvenlik ve Güvenilirlik

Yanma anomalilerinin ve mekanik aşınmanın erken tespiti, dijital ikizleri kullanarak, güvenlik tehlikelerini personel ve varlıklara uygulamadan önce test etme risklerini azaltır. Gelişmiş analitik, operatörlere güvenli sınırları aşmadan yüksek yüklerde türbinleri çalıştırmaya güven sağlar. Ayrıca, dijital ikizleri kullanarak “ne-if” senaryoları, dijital ikizleri kullanarak operasyonel değişiklikleri test etme yeteneği, onları canlı ekipmana uygulamadan önce test etmelerini sağlar.

Çevre ve Uyum Avantajları

En optimize edilmiş yanmadan düşük emisyonlar, güç santralleri tedavi sonrası maliyetli olan düzenleyici kapaklarla karşı karşıya kalır.Depresyon bazlı motor bakımı, yakıt yakmasını ve CO2 emisyonlarını optimal şekilde tutmakla azaltır. Big data Analytics ayrıca, işletim koşulları ve kirletici konsantrasyon oranlarının doğru şekilde raporlanmasını destekler.

Uygulamada Zorluklar

Data Quality and Standardization

Sensör sürüklenme, kalibrasyon hataları ve iletişim damlaları, hata düzeltme ve eksik değerleri tespit eden gürültüyü ortaya çıkarabilir. 10°C'nin çok yüksek olduğu tek bir termo çift okuma, tahmin edici bir modelin yanlış pozitif oranı dramatik bir şekilde değiştirebilir, Organizasyonlar eksik değerleri tespit eden ve eksik olan sağlam veri hatlarına yatırım yapmalıdır, bayrak sensörü anomalileri ve tür ve vintageler arasındaki standartlaşmış birimleri.

Siber güvenlik ve Data Privacy

Endüstriyel kontrol sistemleri bulut analitik platformlara bağlanmak saldırı yüzeyi genişletir. Bir ihlal, kötü niyetli aktörlerin sensör beslemelerini manipüle etmesine, yanlış verileri makine öğrenme modellerine enjekte etmelerine veya güvenli olmayan işletim durumlarına yol açmalarına izin verebilir. Operatörler sıfır güven ağ mimarisini uygulamalı, geri kalanında ve geçişte şifreli verileri şifreleyebilir ve sıra dışı veri erişimleri kullanabilir.

İşgücü Skill Gap

Etkili büyük veri analizi, hem termodinamik hem de veri bilimi anlayan mühendisler gerektirir. Python, SQL ve makine öğrenimi çerçeveleri zaman alıcıdır ve deneyimli veri bilim insanları genellikle domain bilgisi eksikliğini gerektirir. Birçok kuruluş ortağı özel endüstriyel analitik firmalarla ortaktır veya boşlukları köprülemek için OEM-provided analitik platformlardan yararlanır.

Legacy Systems ile entegrasyon

Yaşlı gaz türbinleri, gelişmiş analitik için gerekli olan sensör yoğunluklarından yoksun olabilir veya yüksek çözünürlüklü verilere yol açmayabilen kontrol sistemlerine sahip olabilir. Retrofitting sensörleri ve veri satın alma donanımına ulaşmadan önce veri dağıtım sistemi pahalı olabilir. pragmatik bir yaklaşım, mevcut dağıtılmış kontrol sistemlerinden gelen sinyalleri dağıtmaktır (DCS) ve eksel sensörler sadece kritik bileşenler üzerinde.

Future Yol Tarifi

Dijital Twins ve Fizik-Inform Machine Learning

Dijital ikizler - gerçek zamanlı olarak fiziksel bir türbin aynası yansıtan gerçek kopyalar - ilk öncelikli modeller ile büyük veri analizlerini, sparse sensör kapsamı ile bölgelerde bile simüle ederler.Yeniden önce, farklı yakıt karışımları veya yük profilleri gibi, operatörler, doğru bir statik marjın doğruluğunu birleştirir.

Edge Analytics for Real-Time Decisions

Latency endişeleri ve bant kısıtlamaları, analitik işlemeyi kenarlara itiyor - bulut yuvarlak gezileri beklemeden gelen cihazlar buluta aktarılabilir ve 10-50 milisaniye kontrol döngüsü içinde yakın bağlantı maliyetlerini tespit edebilir.Bu, hızlı hareket veya alevlenme gibi olayları hızlı bir şekilde engellemeye yardımcı olur.

Federated Learning Across Fleets

Güçlü makine öğrenimi modelleri birçok türden veri gerektirir, ancak hassas operasyonel verileri paylaşıyor. Federated learning trenleri, çiğ veri aktarmadan önce her siteden gelen bir optimizasyon modeli ile global bir model geliştiriyor.Her bir tür yerel veriler henüz tahmin edilemez, ancak yüzlerce birim arasında öğrenilen modellerden elde edilen model avantajları.

Güven ve Uyum için Açıklanabilir AI

Analitik modeller operasyonel değişiklikler, mühendisler ve düzenleyiciler bu öneriler için açıklamalar talep ediyorlar.Açıklanabilir AI teknikleri, SHAP (Shapley Katkı Açıklama Açıklamaları) veya LIME (Local Interpretable Model-agnostic Explanations), her kararın kritik altyapı için doğru olduğunu gösterir. Örneğin, bir kompresör yıkamasını tavsiye eden bir önsöz modeli, kararın kompresörlü bir reaksiyonla ilişkili olarak, kompresörlü sıcaklıkta% 15 artışla ilişkili olarak ilişkili olduğunu gösterebilir.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Büyük veri analizi, gelecek olan bir risk kaynağına, rekabetçi avantaj arayan gaz türbinleri operatörleri için pratik bir gereklilikten taşındı. Duygun veri doğrulama, en iyi işletim noktaları ve yaşam genişletme bileşeni, sadece enerji tasarrufu, güvenlik ve çevresel performans için pratik bir gereklilik haline getirir.Veri kalitesi, siber güvenlik ve işgücü hazırlığı, dijital ikizler, kenar hesaplamaları ve kullanım alanlarının yetersizliği, gelecekteki gaz türbinlerinin kabul edilebilir bir engeli haline gelir.

Organizasyonlar sadece yolculuklarına, bir fazlı yaklaşıma başlıyor - tanımlayıcı panjurlarla başlayın, sonra gaz türbinlerinin performansını ve kârlılığını arttırmak için büyük veri analizlerinin tam potansiyelini açabilir.