Современные подходы к повышению эффективности управления основными производственными активами с использованием методов технической диагностики

19 февраля 2024

Компания DMEnergy обладает всем необходимым перечнем для модернизации паровых турбин, начиная от квалифицированного персонала, заканчивая более чем десятилетним опытом реализации промышленных решений для наших клиентов.

Дисклеймер: целью создания статьи было знакомство с задачей, данными и одним из подходов к ее решению, а также популяризация машинного обучения в промышленности. В статье представлен скорее бейзлайн для решения задачи, речь о продакшн-рэди решении не идет. Статью стоит воспринимать как туториал по решению задачи, который снижает порог входа и мотивирует попробовать решить задачу самостоятельно.

Для кого: Статья предназначена для специалистов начального/среднего уровня. Может быть полезна, например, диагностам и техническим специалистам, знакомящимся с применением машинного обучения для диагностики, дата сайентистам, желающим узнать о применении ML в промышленности, специалистам, работающим на стыке областей знаний или тем, кто только начал свой путь в машинное обучение и анализ данных!

Материалы: Код из статьи доступен на Kaggle по ссылке для самостоятельного изучения, доработки и тд.

Общая информация о задаче

Значительное количество силовых трансформаторов АЭС эксплуатируются с увеличенным сроком службы (назначенный срок службы – 25 лет, но не волнуйтесь – продление срока эксплуатации вполне безопасно!). Учитывая увеличенный срок службы энергоблоков АЭС, возникает необходимость контроля технического состояния силовых трансформаторов.

Текущий процесс диагностики

Для начала представим пару терминов:

• Хроматография — метод разделения и анализа смесей веществ, а также изучения физико-химических свойств веществ. Основан на распределении веществ между двумя фазами — неподвижной (твёрдая фаза или жидкость, связанная на инертном носителе) и подвижной (газовая или жидкая фаза, элюент).
• Хроматографический анализ – диагностический метод, который заключается в принудительном извлечении газов из масла (хроматографии), определении их качественного состава и количественного анализа.

Особую роль в контроле за состоянием маслонаполненного оборудования (в том числе силовые трансформаторы), играет контроль растворенных в масле газов. Возникновение практически всех типов дефектов в оборудовании сопровождается образованием газов, растворяющихся в масле, а при определенных типах дефектов образуются собственные газы в разном количестве (например, при локальном перегреве изоляции или возникновении разрядов в масле).

Более подробно о текущем процессе диагностики можно почитать в СТО 34.01-23-003-2019 Методические указания по техническому диагностированию развивающихся дефектов маслонаполненного высоковольтного электрооборудования по результатам анализа газов, растворенных в минеральном трансформаторном масле.

Задача

Для качественного технического обслуживания и ремонта необходимо заранее знать о возможных неисправностях, а также об остаточном ресурсе трансформаторного оборудования. Необходимо разработать модель, которая будет определять остаточный ресурс оборудования по последним 420 точкам.

Исходные данные

Данные в виде .csv файлов, которые содержат 420 записей концентраций газов 𝐻2, 𝐶𝑂, 𝐶2𝐻4 и 𝐶2𝐻2 в трансформаторном масле, представленных в виде временной зависимости. Также доступна разметка – каждому файлу соответствует число – оставшееся время до отказа оборудования на конец файла в точках. Период между моментами времени – 12 часов.

Про решение задачи остаточного ресурса

Подробно о разных подходах к решению задачи остаточного ресурса можно почитать в этой статье на Хабре. Многообразие подходов представлено на схеме из статьи:

Схема выбора подхода к решению задачи в зависимости от доступных данных

В данной же статье рассмотрен распространенный подход решения задачи определения RUL на основе моделей регрессии, так как у нас есть диагностические данные (временные ряды, сигналы) и разметка в виде значений длительности оборудования до отказа.

В Ростехнадзор поступил вопрос о том, с какого момента исчисляется установленный заводом-изготовителем расчётный срок службы оборудования, работающего под давлением: с даты изготовления, указанной в паспорте на оборудование, или с даты первого пуска в работу оборудования?

Ответ: Специалисты Управления государственного строительного надзора Ростехнадзора ответили на данный вопрос.

В соответствии с пунктом 4 раздела II Обеспечение безопасности оборудования при разработке (проектировании), изготовлении (производстве) технического регламента Таможенного союза О безопасности оборудования, работающего под избыточным давлением (ТР ТС 032/2015), принятого Решением Совета Евразийской экономической комиссии от 02.07.2013 № 41 срок службы расчётный – срок службы в календарных годах, установленный при проектировании и исчисляемый со дня ввода в эксплуатацию оборудования, ввод в эксплуатацию – документально оформленное событие, фиксирующее готовность оборудования к применению (использованию).

Согласно пункту 209 Федеральных норм и правил в области промышленной безопасности Правила промышленной безопасности опасных производственных объектов, на которых используется оборудование, работающее под избыточным давлением, утверждённых приказом Ростехнадзора от 25.03.2014 № 116, зарегистрированным Минюстом России 19.05.2014, регистрационный № 32326, результаты проверок готовности оборудования к пуску в работу и организации надзора за его эксплуатацией оформляют актом готовности оборудования под давлением к вводу в эксплуатацию, который прикладывают к паспорту. Принятое решение о вводе в эксплуатацию оборудования под давлением оформляют приказом (распорядительным документом) эксплуатирующей организации.

Срок службы и безопасная эксплуатация оборудования

Обращаем внимание, что изготовителем в руководстве по эксплуатации в соответствии с подпунктом г пункта 27 раздела IV ТР ТС 032/2013 могут устанавливаться назначенные показатели (назначенный срок хранения, назначенный срок службы и (или) назначенный ресурс) в зависимости от конструктивных особенностей оборудования, по истечении которых прекращается эксплуатация оборудования и принимается решение о направлении его в ремонт, или об утилизации, или о проверке и об установлении новых назначенных показателей.

Вопрос о сроке эксплуатации парового котла

Заявитель спрашивает, если согласно паспорту нормативный срок безопасной эксплуатации парового котла установлен 10 лет: котел изготовлен в 2008 году (конкретная дата не указана) означает ли это, что до 31.12.2018 данный котел может эксплуатироваться без проведения экспертизы промышленной безопасности. До какой даты необходимо провести экспертизу промышленной безопасности.

Ответ: В соответствии с ТР ТС 032/2013, срок службы исчисляется с момента ввода в эксплуатацию оборудования. Для паровых котлов срок безопасной эксплуатации составляет 10 лет с момента ввода в эксплуатацию, а не с момента изготовления. Поэтому необходимо провести экспертизу промышленной безопасности до истечения 10 лет с момента ввода в эксплуатацию, а не с момента изготовления котла.

Отличия в рассчете срока службы

Срок службы оборудования под давлением рассчитывается с момента ввода в эксплуатацию, в то время как срок службы подъемных сооружений рассчитывается со дня изготовления – это принципиальное отличие.

Оценка остаточного ресурса транспортных средств

В данной статье предлагается способ оценки остаточного ресурса элементов трансмиссии транспортных средств на стадии эксплуатации, на основе экспресс-диагностирования технического состояния, для целей снижения ее себестоимости.

Проблема оперативного управления техническим состоянием

Оперативное управление техническим состоянием транспортных средств является сложной и актуальной проблемой. В процессе их эксплуатации технические показатели модифицируются из-за различных причин. Инженеры-конструкторы учитывают эти факторы на стадии проектирования, но важно поддерживать оптимальное техническое состояние на протяжении всего срока эксплуатации.

Диагностирование состояния транспортных средств

Основной метод диагностирования механических агрегатов – поэлементное инструментальное исследование и метрологический контроль после нормативной наработки. Однако это требует значительных трудозатрат и может столкнуться с проблемой дефектов, возникших до ожидаемой наработки.

Методы и материалы

Хотя более простые и эффективные методы оценки остаточного ресурса элементов трансмиссии уже существуют, в данной статье предлагается новый подход, основанный на экспресс-диагностировании.

Автор: Имя автора
Дата: Дата написания статьи

Вибрационная диагностика транспортно-технологических средств

Транспортно-технологические средства широкого спектра оперативно – функционального назначения требуют обеспечения высокого уровня качества функционирования и надежности этого перехода от планово-предупредительного обслуживания и ремонта к обслуживанию и ремонту по текущему техническому состоянию.

Автоматизированный контроль и диагностирование

В связи с этим возникает необходимость выявления таких параметров объекта, которые позволили бы с минимальными затратами максимально достоверно определить и прогнозировать вероятное изменение его технического состояния. Это требует научно обоснованного применения средств и методов автоматизированного контроля и диагностирования.

Основа методики

В основу предлагаемой методики положена очевидная зависимость: изменения, появляющиеся в процессе функционирования в подвижных сопрягающихся узлах, приводящих к изменениям его вибрационных характеристик. Установив с приемлемой степенью адекватности их связь с изменениями технических параметров, можно осуществлять диагностику, вычислять вероятность и предупреждать отказы, а также осуществлять общее прогнозирование оставшегося ресурса, а, следовательно, работоспособности транспортных средств в данных эксплуатационных условиях.

Достоверность диагноза

Обеспечение достоверности диагноза является главной проблемой, ограничивающей применение методик вибрационной диагностики. Формулирование признаков достоверности в обобщенной форме, представляется весьма затруднительным, так как в общем случае уровень неопределенности виброотклика на неисправность довольно высок. Однако в частных случаях её можно снизить до приемлемого уровня.

Специфические условия работы

Специфические условия работы объектов исследования требуют уточнения целого ряда подходов и методов их эксплуатации. Особенно – в области обеспечения оптимальных значений параметров в условиях дорожных сетей Севера, Сибири и Дальнего Востока. Данные критерии определяются на основе значений технико-эксплуатационных параметров конструкции объектов исследования, изменяющихся в ходе эксплуатации и свидетельствующих о наличии, вероятности возникновения отказа или степени развития дефекта агрегата или узла, лимитирующего работоспособность транспортного средства. Вибрационные характеристики тоже относятся к ним и хорошо пригодны для формирования баз данных образов технических состояний и неисправностей, которые можно использовать для экспресс-диагностирования.

Научно обоснованные технические решения

Существующая ныне потребность в решении транспортной проблемы при осуществлении транспортных операций при геологоразведке, нефте- и газодобыче, промышленном и дорожном строительстве, обслуживании предприятий энергетики и связи, сельского и лесного хозяйства, устранении чрезвычайных ситуаций, в районах Севера, Сибири и Дальнего Востока, обуславливает разработку научно обоснованных технических решений, направленных на обеспечение и поддержание высокой степени работоспособности эксплуатируемой в этих условиях автотранспортной техники.

Прогнозирование работоспособности и остаточного ресурса транспортно – технологических средств является значимой задачей, успешное решение которой будет способствовать решению проблемы обеспечения транспортных коммуникаций между населенными пунктами, промышленными объектами, объектами транспортной инфраструктуры в полярных и приполярных арктических районах Западной и Центральной Сибири, Дальнего Востока. Решение данной задачи будет затрагивать технический аспект рассматриваемой проблемы: поддержание автотранспортной техники в высокой степени оперативной готовности, минимизировать отказы, которые могут возникнуть в ходе выполнения транспортной работы непосредственно на маршруте. Из практики эксплуатации автотранспортной техники и оборудования в указанных регионах известно, что в случае критических отказов, приводящих к значительной или полной потере подвижности, она оставляется на месте возникновения отказа, из-за крайней затруднительности ремонтных и эвакуационных мероприятий. При этом техника может быть вполне ремонтопригодной и восстановимой. Механические ресурсы многих её узлов, агрегатов и систем могут находиться далеко от предельных состояний. Оставление техники на месте возникновения отказа в подобных случаях нельзя признать рациональным решением с технической и экономической точки зрения. Одной из этих составляющих является повышение точности осведомленности о текущем техническом состоянии транспортно – технологической машины, её агрегатов, узлов и систем, водителя – оператора, а также инженеров и техников, занимающихся техническим обслуживанием и ремонтом. Это позволит повысить безотказность, т.е. надёжность автотранспортной техники, эксплуатируемой в полярных и приполярных арктических районах Западной и Центральной Сибири, Дальнего Востока. Следовательно, повысить её эксплуатационную подвижность.

В настоящей статье для обозначенных целей рассматривается вариация одного из метаэвристических методов решения задачи маршрутизации транспорта, а именно алгоритма “пчелиной колонии”. Математическая модель, которая лежит в его основе, универсальна и применима для доставки товаров клиентам, перевозки промышленных грузов, а также и для перевозки грузов сельскохозяйственного характера, всех тех, которые перевозятся при «северном завозе».

– набор маршрутов (решение), который представлен в виде последовательности клиентов, разделенных нулями (тем самым имитируются новые маршруты); с( –длина (протяженность маршрута) решения – нарушение ограничений решения по пропускной способности и продолжительности (длине, времени объезда) соответственно; α и β – это саморегулирующиеся положительные параметры, которые изменяются на каждой итерации работы алгоритма следующим образом: если количество решений с нарушением пропускной способности больше чем τ/2, тогда . То же правило применяется к коэффициенту

Технологии продления срока службы турбины

Сюда входят технологии ремонта компонентов в качестве альтернативы замене. К ним относятся сварка корпуса, сварка ротора, сварка лопастей на основе микроимпульсной сварки TIG и плазменного напыления.

Кроме того, предлагаются технологии нанесения покрытий для защиты от эрозии и коррозии.

Повышение эффективности установки

Аналитические возможности, такие как термодинамические исследования цикла установки с использованием таких программ, как GateCycle и Hysys для принятия мер по повышению эффективности установки.

Рекомендации, основанные на текущих эксплуатационных требованиях завода, оптимизируют поставку критического оборудования, такого как силовой блок и важные вспомогательные устройства, для повышения эффективности и лучшего возврата инвестиций для клиента.

Тангенс-Д – переносной прибор контроля технического состояния высоковольтных вводов силовых трансформаторов

Переносной прибор Тангенс-Д производства фирмы ДИМРУС предназначен для проведения испытаний и оценки технического состояния изоляции высоковольтного оборудования на месте эксплуатации.

При помощи прибора марки Тангенс-Д можно контролировать техническое состояние изоляции высоковольтных вводов, обмоток силовых и измерительных трансформаторов.

Основными функциональными элементами прибора марки Тангенс-Д являются встроенные в конструкцию универсальный высоковольтный источник испытательного напряжения регулируемой амплитуды и частоты, регулируемый высоковольтный источник постоянного тока, эталонный вакуумный высоковольтный конденсатор и измеритель параметров векторов токов и напряжений.

Благодаря наличию этих эффективных составляющих прибор Тангенс-Д может выполнять все необходимые диагностические испытания и тесты, предназначенные для определения текущего технического состояния высоковольтной изоляции.

Основным тестом прибора Тангенс-Д является измерение параметров высоковольтной изоляции при приложении испытательного напряжения регулируемой частоты и амплитуды. Это позволяет минимизировать влияние наведенных помех промышленной частоты, уровень которых на территории подстанций обычно очень высок.

30 Ноября 2023

Автоматизация системы управления турбиной

Новые усовершенствования системы управления используются для повышения работоспособности. Внутренняя экспертиза в области электрогидравлических сервоприводов (Moog, Voith, Woodward), цифровых систем управления и исследования интерфейса со старым оборудованием.

Технология модернизации или повышения мощности

В этом случае потребности в технологическом паре и электроэнергии объединены. Приводное и управляемое оборудование от разных OEM-производителей создает проблемы интеграции. Ключевым моментом является изучение парового баланса и энергоэффективности всего завода.

Мы разрабатываем, модернизируем модули решений с минимальным сроком окупаемости и потерей дохода за время простоя процесса.

Для сокращения времени простоя необходима поэтапная модель поставки, при которой планируются два или более коротких перерывов для проведения измерений в первый перерыв и замены внутренних частей / компонентов в последующие запланированные периоды остановки.

Технология для модернизации паровой турбины

Для эффективного анализа остаточного ресурса (RLA) необходимо сочетание металлургических диагностических исследований (методы неразрушающего контроля) с методами МКЭ (LCF, HCF, Creep).

Остаточный ресурс и показатели надежности конструкций

Металлургические исследования могут быть проведены на месте/заводе. Они могут включать общестроительные конструкции, например, частотную настройку. Применяемые инструменты: ANSYS, Creo, оборудование для неразрушающего контроля.

Загрузка данных

Кодimport numpy as np import pandas as pd from matplotlib import pyplot as plt PATH = ‘/kaggle/input/transformer-time/’

Загрузка разметки обучающей выборки

Мы имеем файл разметки (по сути словарь), в котором представлены данные по остаточному времени работы трансформатора до отказа: каждому файлу с концентрациями газов соответствует 1 число – оставшееся время до отказа в момент окончания файла.

y_data = pd.read_csv(PATH + ‘train.csv’, index_col=’id’) y_data.head()

Загрузка обучающей выборки (параметров трансформатора)

Давайте загрузим все файлы с изменяемыми во времени параметрами трансформатора (концентрациями газов) в словарь, где ключом является имя файла. При этом загружать будем только те файлы, для которых есть разметка (оставшееся время до отказа).

Примерно так выглядят первые 2 строки каждого файла:

На Kaggle доступна обучающая выборка с разметкой и X_test без правильных ответов (разметки). Для целей демонстрации возможности и качества решения задачи будем использовать только Обучающую выборку. Именно ее мы будем разбивать на обучающую и валидационную (отложенную) выборки для обучения и тестирования полученных моделей.

Моделирование

Кодfrom sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression, LogisticRegression from sklearn.preprocessing import StandardScaler from sklearn.metrics import mean_absolute_error, f1_score from catboost import CatBoostRegressor from tsfresh.feature_extraction import extract_features, MinimalFCParameters

Бейзлайн средним значением RUL

В качестве самого простого бейзлайн без машинного обучения возьмем среднее значение на обучающей выборке и будем им прогнозировать остаточный ресурс. Для этого реализуем следующий пайплайн:

В начале наглядно продемонстрируем все шаги (далее код будет под катом):

Train set shape: (1575, 1)

Test set shape: (525, 1)

MAE on train set = 219.97

MAE on test set = 218.38

Мы получили первые метрики, от которых можно отталкиваться. Если модели машинного обучения не смогут значительно улучшить метрики, то их использование не имеет смысла.

Подход на основе моделей регрессии

Давайте попробуем что-то более сложное и с машинным обучением. Реализуем следующий пайплайн для разных вариантов агрегации и моделей:

Подход 1: Простая агрегация (средним) + Линейная регрессия

Под простой агрегацией понимается усреднение параметров по колонкам в рамках каждого файла (4 значения средних на 4х признаках соответственно). Для каждого одномерного временного ряда получается 1 число – среднее по ряду. То есть для каждого файла мы получаем 4 признака (4 средних из 4х временных рядов).

MAE on train set = 177.7

MAE on test set = 175.12

Подход 2: Простая агрегация (средним) + Градиентный бустинг (CatBoost)

MAE on train set = 100.6

MAE on test set = 161.67

Подход 3: Агрегация данных с помощью TSFresh + Линейная регрессия

Библиотека для агрегации и выделения признаков из временных рядов TSFresh позволяет выделять гораздо более сложные признаки по сравнению с простым средним. Мы для демонстрации будем использовать минимальные 10 признаков: sum, median, mean, length, std, variance, RMS, max, abs_max, min.

MAE on train set = 140.82

MAE on test set = 148.21

Подход 4: Агрегация данных с помощью TSFresh + Градиентный бустинг (CatBoost)

MAE on train set = 37.2

MAE on test set = 91.37

Ошибка моделей снижается по мере усложнения алгоритма, однако по-прежнему недостаточно сильно. Несмотря на неплохие метрики у последнего подхода модель показала значительное переобучение, поэтому ее результатам стоит относиться настороженно.

Давайте посмотрим на распределение прогнозов модели и правильных ответов для оценки, где же модель ошибается, чтобы понять, как можно изменить алгоритм решения задачи.

plt.figure(figsize=(6, 3)) plt.hist(y_val_pred, bins=30, alpha=0.6, label=’Predicted values on the test set’) plt.hist(y_val, bins=30, alpha=0.6, label=’True values of the test set’) plt.legend() plt.show()

Распределения правильных ответов и прогнозов модели

Можно заметить, что модель довольно много ошибается на кейсах, когда значение равно 1093 (высокий оранжевый столбец справа на графике). Это предельное значение, выше которого остаточному ресурсу присвается константное значение 1093, то есть остаточный ресурс довольно большой, и не требуется определение точного значения с точки зрения целей диагностики.

Подход на основе ансамбля (классификация+регрессия)

• Обучение модели регрессии (линейная регрессия/градиентный бустинг) на данных "RUL<1093"

• Инференс модели регрессии на данных, где модель классификации предсказала 0

Подход 1: TSFresh + Логистическая регрессия + Линейная регрессия

F1 on train set = 0.67

F1 on test set = 0.64

Метрики классификации могут быть значительно улучшены!

MAE on train set = 133.12

MAE on test set = 137.01

Мы, конечно, улучшили результат по сравнению с обычной моделью линейной регрессии, но этого все равно не достаточно.

Подход 2: TSFresh + Логистическая регрессия + Градиентный бустинг

Этап 1 – классификации остается прежним, код не меняется, поэтому представим код только для этапа 2:

MAE on train set = 77.11

MAE on test set = 106.49

Несмотря на ухудшение метрики модели по сравнению с аналогичным подходом без этапа классификации можно констатировать, что результаты модели улучшились за счет уменьшения переобучения. Об увеличении качества говорит и большее соответствие распределения прогнозов фактическим значениям.

Технология для решений по модернизации

Тепловые характеристики

Углубленный тепловой анализ турбины и оптимизация цикла для улучшения тепловой мощности, гарантирующей улучшение характеристик других турбин, модернизированных OEM-производителями.

Использование библиотеки профилей сопел/лопаток OEM и металлургической базы находится в процессе разработки и дополняется библиотекой профилей лопаток TTL.

Применяемые инструменты: AxTurbo, GateCycle / HMBD, R&D System1

Решение по комплектам модернизации на основе сегмента рынка

Конкретное решение по замене траектории лопаток на основе анализа старения эксплуатационного парка турбин OEM более старого поколения.

Могут быть предложены решения по сегментам и возможности решения с помощью информационных материалов по конкретным секторам.

Роторно-динамическая и подшипниковая система

Использование комплекта R&D System1. Возможность оценки свойств подшипников и анализа боковых / крутильных колебаний роторного механизма при неадекватных эксплуатационных данных.

Решения по замене подшипников при старых геометрических ограничениях. Управление проектами по замене роторов от конденсации до преобразования в противодавление.

Применяемые инструменты: DyRoBeS, XLRotor, ARMD.

Параметрические и экспертные математические модели, используемые в системе TDM для оценки технического состояния трансформатора

Оценка технического состояния силовых трансформаторов в системах диагностического мониторинга производится на основании комплексного использования двух типов диагностики:

Сбалансированное сочетание результатов работы этих двух дополняющих друг друга типов диагностики позволяет достаточно корректно оценивать текущее техническое состояние контролируемого трансформатора.

Третий тип диагностических математических моделей силового трансформатора, используемых в экспертном ядре систем мониторинга, предназначен для прогнозирования развития технического состояния трансформатора на будущих этапах его эксплуатации. Основой для создания таких моделей служат алгоритмы предиктивной аналитики, позволяющие рассчитывать не только величину остаточного ресурса контролируемого трансформатора, но и определять оптимальные сроки проведения сервисных и ремонтных работ.

В системе диагностического мониторинга TDM реализованы математические модели, предусмотренные документами:

Список литературы

Мы рассмотрели всего лишь один распространенный подход к решению задачи. Поставили несколько гипотез о методах и данных, и проверили их. Общие результаты представлены на картинке ниже.

Схема гипотез с результатами проверки

Кстати, результат может быть улучшен в 2-3 раза (снижение ошибки) по сравнению с полученным в статье, поэтому можете пробовать! К тому же есть еще довольно много гипотез для проверки, например:

Я создал телеграм канал DataKatser, где появляюсь гораздо чаще и делюсь своими мыслями и интересными кейсами по data science, машинному обучению и искусственному интеллекту. Буду рад вашей подписке !