Việc sử dụng trí thông minh nhân tạo cho những chẩn đoán tiên đoán trong hệ thống điện lỏng

Những lợi ích do dự đoán

Áp dụng các dự đoán của AI cho hệ thống năng lượng lưu thông mang lại lợi thế cho các ngành công nghiệp:

• Những thất bại bất ngờ ) – phát hiện sơ bộ các thành phần mặc, rò rỉ, hoặc ô nhiễm ngăn chặn thời gian không dự tính. Một cuộc nghiên cứu 2023 của Hiệp hội Năng lượng Quốc gia (NPA) cho thấy việc bảo trì hệ thống thủy lực bị hư hại đến 60% trong môi trường sản xuất.
• Thay vì thay thế các phần trong khoảng thời gian cố định, chỉ việc bảo trì khi dữ liệu cho thấy sự suy yếu. Việc này giảm bớt chi phí lao động và thay thế một phần không cần thiết.
• Thiết bị hạn chế có thể tăng gấp đôi tuổi thọ ) – hệ thống hoạt động trong các tham số an toàn và giải quyết các vấn đề nascent trước khi chúng tăng cường bảo tồn các thành phần. Chẳng hạn, điều kiện dầu thủy lực có thể tăng gấp đôi khả năng lọc và giảm hiệu ứng máy bơm.
• Chi phí hoạt động lâu dài ) – Giảm thời gian xuống, giảm hàng hóa cho các bộ phận phụ tùng, và khoảng thời gian dịch vụ mở rộng dịch vụ dịch sang số tiết kiệm quan trọng. Một cuộc nghiên cứu không gian cho biết 40% chi phí điện năng trong hệ thống lưu trữ sau khi thực hiện việc chẩn đoán AI.

Công nghệ chính điều khiển các chẩn đoán AI trong năng lượng lỏng

Một số công nghệ cơ bản cho phép chẩn đoán dự đoán trong miền này:

Học sâu để nhận biết gương mẫu

Mạng thần kinh tiến hóa (CNNNs) và bộ nhớ ngắn hạn (LSTM) xuất sắc trong việc phân tích các chữ phổ và các đường cong áp suất tạm thời. Ví dụ, CNN có thể phân loại độ quan trọng của sự tăng cường nhiệt độ từ dữ liệu gia tốc với độ chính xác hơn 95%. Mô hình chuyển dạng truyền thống hơn nhau cho các phương pháp đa biến thời gian.

Mô phỏng và sinh đôi số

Một bản sao ảo của hệ thống điện vật lý (di chuyển) - cho phép mô phỏng các mô hình AI để mô phỏng những tình huống thất bại không có thiết bị thật. Bằng cách chạy hàng ngàn điều kiện lỗi giả lập, thuật toán ML học cách phân biệt giữa các sự dịch chuyển bình thường và dị thường. Các công ty như [FLT: 0]Boschroth [FLT: 1] và [FL:2] [FL:] Trình tổng hợp các cặp song sinh Hanni [FL:3] có kết hợp số với AI để dự đoán dịch vụ bảo trì là dịch vụ.

Name

Sự mất điện là quan trọng trong ứng dụng năng lượng lưu động. Việc lưu trữ trong báo động thất bại có thể có nghĩa là sự khác biệt giữa sửa chữa nhỏ và sự cố an toàn lớn. Theo cạnh AI chạy trực tiếp trên bộ điều khiển logic có thể lập trình [FL: 1] cho phép mạng thần kinh nhỏ hoạt động trên van thông minh bên trong cơ chế điều khiển vi mô.

Các chương trình và nghiên cứu về trường hợp trên thế giới

Các chẩn đoán AI đã được triển khai trong nhiều ngành công nghiệp khác nhau.

• Tạo ra ) – Một nhà máy in tự động lớn lắp đặt rung động và cảm biến áp lực trên 200 máy in. Mô hình AI được đào tạo trên sáu tháng dữ liệu hiện tiên đoán thất bại hai tuần trước với 90% độ chính xác, tiết kiệm hơn 5.500 đô la trong thời gian không dự đoán trước.
• Không gian ) – Airbus đã dùng AI để theo dõi hệ thống thủy lực trên A350 máy bay, phân tích dữ liệu bay để dự báo sự sụp đổ của con dấu. Tính năng này cho phép bảo trì được sắp xếp trong thời gian nghỉ ngơi thường xuyên thay vì gây ra sự dị thường trong khoang bay.
• Thiết bị dẫn điện ) – Nền tảng Tình báo Điện từ Sâu của Sâu dùng trí tuệ đám mây để phân tích lượng tử từ máy xây dựng, gửi thông báo về ô nhiễm dầu hoặc sự trôi dạt của trụ. Các cuộc thử nghiệm cho thấy giảm 30% các tuyên bố liên quan đến sự thất bại của thủy lực.

Những ví dụ này nhấn mạnh sự thay đổi từ phản ứng sang bảo trì thực sự dự đoán. Để biết thêm chi tiết về cấu trúc mạng thần kinh để có năng lượng lưu, xin xem nghiên cứu được đăng trong nhật ký [FLT: 0] [FLT: 1].

Những thử thách và sự quan tâm

Bất chấp lời hứa, việc kết hợp AI vào các chẩn đoán năng lượng lưu động đưa ra những trở ngại cần thiết để quản lý cẩn thận:

Chất lượng dữ liệu và số lượng

Mô hình AI thực hiện kém với dữ liệu ồn ào, chưa hoàn chỉnh hoặc không đầy đủ. Nhiều máy điện lưu cũ không có đủ bảo vệ cảm biến. Các cảm biến thích hợp có thể đắt tiền, và việc đánh dấu dữ liệu để giám sát học tập đòi hỏi chuyên gia về nỗ lực của con người. dữ liệu tổng hợp từ cặp song sinh số giúp giải quyết sự khan hiếm địa chỉ, nhưng sự thích nghi miền vẫn còn là một khu vực nghiên cứu hoạt động.

Sự phức tạp và đa dạng của hệ thống

Hệ thống điện lỏng có các động tác không tuyến tính bị ảnh hưởng bởi khả năng nén, biến đổi nhiệt độ và tải. Một mô hình được đào tạo trên một máy có thể không tổng quát hóa với một loại khác do sự dung nạp sản xuất hoặc điều kiện hoạt động khác nhau. Việc truyền sự học tập và tiếp tục luyện tập cần thiết để duy trì độ chính xác.

Nguy cơ an ninh mạng

Kết nối bộ điều khiển và cảm biến và bộ điều khiển với nền trí tuệ dựa trên mây mở rộng bề mặt tấn công. Mô hình AI bị tổn hại có thể ngăn chặn cảnh báo lỗi hoặc gây ra báo động giả, dẫn đến điều kiện không an toàn. Những biện pháp bảo mật như luồng dữ liệu đã mã hóa, truy cập được xác thực, và xác thực sự xác thực cấu hình thiết yếu. Các tiêu chuẩn như [FLT: 0]IE [FL: 0] [FL: 1] [FL: 1] [FL:] cung cấp hướng dẫn cho mạng lưới công nghiệp bảo mật.

Cần chuyên môn hóa

Việc triển khai AI trong năng lượng lưu lượng cần các đội ngũ xuyên hoạt động để hiểu cả máy học và kỹ thuật thủy lực. thiếu hụt tài năng như vậy là một rào cản, đặc biệt đối với các doanh nghiệp nhỏ và trung bình. nền tảng AI thân thiện mà tự động đào tạo và triển khai, nhưng giám sát của con người vẫn còn quan trọng.

Hướng tương lai

Thế hệ tiếp theo của các chẩn đoán năng lượng điều khiển của AI sẽ đẩy các ranh giới xa hơn:

Hệ thống tự chữa lành

Ngoài những dự đoán, AI có thể trực tiếp điều chỉnh hành động trong thời gian thực. Ví dụ, một bộ điều khiển thông minh có thể điều chỉnh tốc độ để tránh sự can thiệp của con người, hoặc kích hoạt van thừa để cô lập một khu vực bị rò rỉ.

Học hỏi từ nhiều hạm đội

Để vượt qua thử thách thiếu dữ liệu, các nhà sản xuất đang khám phá kiến thức liên tục, nơi mô hình được đào tạo trên nhiều trang web khách hàng mà không chuyển đổi dữ liệu thô. Điều này bảo tồn sự riêng tư trong khi cải thiện sự mạnh mẽ mô hình. một phi công của một nhà cung cấp thủy lực công nghiệp cho thấy rằng mô hình được cung cấp đã đạt được 10% chính xác hơn trên chế độ thất bại hiếm so với mô hình đặc trưng cho trang web.

Hợp nhất với cặp song sinh số và AOps

Kết hợp cặp song sinh số với chẩn đoán AI có khả năng phân tích những gì để bảo trì. Tổng đài có thể mô phỏng hiệu ứng của việc trì hoãn việc thay thế bộ lọc hoặc chạy ở tải cao hơn, sau đó tối ưu hóa rủi ro và chi phí. Phần mềm AI thao tác (IP) mà mô hình tự động quản lý, sửa chữa, và phiên bản sẽ giảm gánh nặng chuyên môn.

Khi chi phí cảm biến tiếp tục giảm và năng lượng tính toán trở nên dễ dàng hơn, AI cho dự đoán năng lượng lưu động sẽ chuyển từ tính năng bảo hiểm sang tiêu chuẩn công nghiệp. các tổ chức đầu tư bây giờ đang thu lợi ích của thời gian tăng, chi phí thấp hơn, và hoạt động an toàn hơn.

Kết luận

Trí thông minh nhân tạo không còn là khái niệm tương lai cho hệ thống điện tử - nó là một công cụ thực tế cho các chẩn đoán dự đoán mà giảm thời gian, kéo dài các thiết bị và cắt giảm chi phí. bằng cách khai thác dữ liệu cảm biến, học hỏi máy tính, và cạnh máy tính, công nghiệp từ động cơ tự động đến không gian mô phỏng đang chuyển đổi hoạt động bảo trì của họ. trong khi các thử thách xung quanh chất lượng, độ phức tạp, và an ninh vẫn còn tồn tại, tiếp tục tiến bộ trong các thuật toán AI, và tự động hơn nữa, thậm chí là đáng tin cậy hơn. Đối với các kỹ sư và nhà điều khiển, các nhà nghiên cứu tranh đua, tiếp tục hoạt động công nghệ để tiếp tục công nghệ này vào việc chẩn đoán dịch thuật không phải là một sự lựa chọn thông minh - nó là cơ sở hữu tài sản mới