CONTROLLO DELLE PERFORMANCE DI UNA TURBINA CON IL MACHINE LEARNING
Il presente caso studio mostra come i Data Scientist di MIPU siano riusciti a mantenere sotto controllo le performance di una turbina grazie ad applicazioni di Machine Learning.
“La soluzione implementata ha aiutato ad aumentare la sensibilità dei responsabili di produzione, che hanno apprezzato molto la preparazione industriale dei data scientist. Finalmente non abbiamo passato metà del progetto a spiegare come è fatta una turbina a gas.”
– Innovation Manager dell’azienda cliente
Riuscire a produrre energia al minimo costo possibile, operando l’impianto al massimo delle performance possibili, garantisce un rientro economico alle aziende, che a parità di potenza sono in grado di consumare meno combustibile.
L’approccio tradizionale prevede l’utilizzo di algoritmi analitici che tengono in considerazione le condizioni di funzionamento, i dati nominali di turbina e le curve di funzionamento, per prevedere l’efficienza effettiva rispetto al valore nominale.
Tuttavia, questo approccio non sempre è in grado di intercettare micro anomalie nel comportamento, quanto piuttosto riesce ad identificare cambi di comportamento evidenti.
Utilizzando algoritmi complessi di Machine Learning, che imparano dai dati storici dell’impianto, è possibile intercettare le minime differenze tra la potenza producibile dall’impianto in condizioni ottimali e la potenza effettivamente prodotta, considerando sia le condizioni di funzionamento, sia le condizioni ambientali e di controllo.
CUSTOMER PROFILE
Il cliente che ha beneficiato della soluzione predittiva implementata da MIPU è una grossa società per azioni che opera nel settore dell’industria alimentare.
MIPU, in collaborazione con il team di innovazione dell’azienda, ha sviluppato e messo in campo una soluzione di monitoraggio e controllo performances della turbina a gas, attraverso la modellizzazione della potenza prodotta, rendendo possibile la quantificazione dell’aumento di performance legato alla sostituzione delle pale dell’espansore.
LE NECESSITA’ DEL CLIENTE
Il cliente, molto attivo nel ramo di ricerca e sviluppo, vuole testare le potenzialità dei dati già in suo possesso, raccolti dal sistema di monitoraggio e controllo collegato agli impianti.
L’obiettivo principale è la riduzione dei costi di gestione degli impianti e di consumo energetico, l’aumento dell’affidabilità dell’impianto e l’ottimizzazione degli interventi manutentivi per minimizzare i fermi di impianto.
In aggiunta, il cliente necessita di una modalità per dimostrare l’applicabilità delle soluzioni innovative di intelligenza artificiale e IoT nel suo settore, per aumentare la sensibilità degli operatori in campo e dei responsabili di produzione e facilitare l’upgrade del sistema.
LA NOSTRA SOLUZIONE
MIPU sviluppa modelli predittivi per il monitoraggio energetico e la gestione della manutenzione dal 2008, grazie allo sviluppo di strumenti software per l’integrazione ed automatizzazione del flusso dei dati dal campo e la formazione industriale dei suoi ingegneri.
Il cliente si è rivolto a MIPU, dopo diverse esperienze con agenzie di Data Science. Il background industriale e di processo dei tecnici di MIPU, formati come Data Scientist ma provenienti da esperienze di studio e lavoro in campo, assicura che la soluzione di Intelligenza Artificiale non sia asettica, ma studiata con attenzione rispetto ai parametri di processo, alla storia manutentiva dell’impianto e ad attento approfondimento sul processo e sul sistema in esame.
In questo modo, i Data Scientist di MIPU sono in grado non solo di definire carte di controllo valide per l’intercettazione di inefficienze, ma anche di validarle in funzione di quanto accaduto in campo, confermandone o ridefinendone la sensibilità.
MIPU ha quindi raccolto i dati del cliente, e ne ha valutato le potenzialità e la qualità attraverso uno studio preliminare di consistenza e correlazione. La turbina è stata modellizzata considerando i parametri di ingresso al compressore e al combustore, con l’obiettivo di prevedere la potenza prodotta istantaneamente.
Considerando la frequenza di campionamento, ai 5 minuti, è stato inoltre possibile ricostruire il trend dell’energia elettrica prodotta e quantificare la cumulata dell’energia aggiuntiva prodotta a parità di condizioni.
L’algoritmo applicato al modello è una rete neurale artificiale feedforward, strutturata secondo unità di calcolo semplici chiamate neuroni, che una volta collegate tra di solo sono in grado di rappresentare e generalizzare il comportamento di sistemi altamente complessi e non lineari.
Le performance matematiche del modello, che ne caratterizzano la capacità di rappresentare il sistema in condizioni normali, raggiungono una precisione superiore al 97%, con un errore percentuale medio inferiore al 1%.
IL RISULTATO
In fase di prototipazione del modello, il team di ricerca di MIPU ha riscontrato almeno 3 differenti periodi di comportamento, caratterizzati da performance differenti. In particolare, l’analisi evidenziava la presenza di un primo periodo in cui le performance di turbina presentavano un calo, ed un secondo periodo in cui le performance a parità di funzionamento risultavano aumentate.
La carta CUSUM, che mostra la cumulata nel tempo delle differenze tra valore reale e valore predetto dal modello per l’energia prodotta dalla turbina, mostra che a seguito della sostituzione delle pale, che risultavano bruciate, le performance di turbina sono aumentate fino a produrre 2 GWh aggiuntivi in 2 mesi (mediamente 30 MWh giornalieri aggiuntivi, a parità di condizioni di funzionamento).
Il modello di controllo delle performance della turbina implementato, se ampliato ai componenti principali di impianto o duplicato sugli asset simili disponibili, è in grado di assicurare performance ottime in ogni istante di funzionamento, intercettando i minimi cambi di comportamento che portano a perdite ridotte ma continue di potenza.
