Sono diverse le necessità che hanno condotto i grandi player del campo energetico a fare uso di tecniche all’avanguardia per il monitoraggio e la manutenzione dei propri asset. Tra queste vi è la necessità di ottimizzare l’utilizzo delle risorse, ridurre gli sprechi e aumentare l’efficienza degli impianti. Intercettare per tempo malfunzionamenti e cali di performance dei componenti critici di impianti garantisce la riduzione dei fermi dovuti a manutenzione straordinaria ed un rendimento di centrale costante prossimo a quello di progetto.
In questo caso studio saranno mostrate le potenzialità degli algoritmi di machine learning applicati ai dati di monitoraggio degli asset presenti in una centrale termoelettrica. Viene quindi esplorata la digitalizzazione di una centrale termoelettrica.
Le variabili critiche di impianto sono state riprodotte tramite algoritmi di intelligenza artificiale. Per ognuna è stato implementato uno strumento di controllo in grado di intercettarne anomalie. I modelli di machine learning e i relativi strumenti di controllo sono stati infine industrializzati. Quindi sono stati integrati ad una soluzione hardware che monitora le performance di impianto. Ciò consente una visione di insieme dello stato di salute degli asset. Al contempo, ne segnala tempestivamente malfunzionamenti e cali di performance.
PROFILO DEL CLIENTE
Il cliente è un’azienda italiana attiva nei settori dell’approvvigionamento, produzione e vendita di energia elettrica, gas e olio grezzo. E’ uno dei principali produttori di energia elettrica in Italia, con un parco produttivo che comprende impianti a ciclo combinato a gas, idroelettrici, eolici, solari e a biomasse.
LA NECESSITA’ DEL CLIENTE
Allineato ai principi di Industria 4.0, il cliente è fortemente impegnato a investire nella ricerca e
nell’esplorazione delle potenzialità dell’intelligenza artificiale applicata al settore industriale. L’obiettivo è di creare un’infrastruttura affidabile per la manutenzione predittiva e il monitoraggio dei propri asset.
Per soddisfare standard di efficienza elevati, guasti e perdite di performance devono essere rilevati tempestivamente in una centrale di produzione di energia. Un approccio predittivo è altamente consigliato nella manutenzione degli asset. Le centrali termoelettriche sono sottoposte a vincoli di emissioni inquinanti in atmosfera molto stringenti. Queste devono garantire elevati livelli di affidabilità, in modo da immettere in rete la quantità di energia concordata con il mercato elettrico nazionale. Per tali ragioni, fermi improvvisi e mancata osservanza di normative in ambito di sicurezza ambientale sono altamente deprecabili dal cliente. In tal caso, il cliente subirebbe ingenti danni economici e di immagine.
Pertanto, il committente ci ha richiesto di implementare un sistema di monitoraggio e manutenzione predittiva basato sull’intelligenza artificiale. Il fine è quello di controllare costantemente le performance degli asset critici di una delle proprie centrali termoelettriche. In particolare, la centrale oggetto di studio è a ciclo combinato stanziata nel sud Italia.
LA SOLUZIONE MIPU
L’intelligenza artificiale impara dai dati storici il comportamento di un sistema. Ne replica le correlazioni tra i parametri per permettere un controllo dello stato di salute degli impianti o degli asset, e metterne sotto controllo le performance.
Il progetto ha previsto l’implementazione di oltre 30 modelli di intelligenza artificiale in grado di riprodurre altrettante variabili critiche di impianto. Ad esempio, il rendimento globale di centrale, la potenza elettrica attiva e il comportamento vibrazionale dei cuscinetti delle turbine, il consumo degli ausiliari. Ed ancora, la produzione di vapore dei generatori di vapore a recupero, le temperature di scarico ai compressori, le prestazioni delle torri di raffreddamento.
LE ANALISI SVOLTE
La prima fase del progetto ha previsto l’analisi dei dati a disposizione. I dati di monitoraggio degli asset di centrale sono raccolti da un sistema di acquisizione IoT, installato prima dell’inizio dell’analisi, e archiviati in un database. Questi rappresentano i parametri elettrici, meccanici e termodinamici di processo degli asset operativi in centrale. Il profilo temporale e la correlazione qualitativa e quantitativa reciproca ha permesso di analizzare tali dati. La fisica delle componenti coinvolte nel processo da monitorare ha permesso di selezionare le variabili utilizzate nell’allenamento dei singoli modelli implementati.
Per ogni modello sono stati testati vari algoritmi di machine learning. Questi ultimi sono caratterizzati da strutture differenti, in modo da identificare la soluzione più performante in termini di metriche statistiche e carte di controllo. La bontà di ogni modello è stata valutata tramite la capacità del singolo di intercettare cambi di comportamento dal punto di vista manutentivo o di gestione energetica.
LA SOLUZIONE
La soluzione consiste in una piattaforma, connessa ai sensori di campo, che monitora costantemente lo stato di salute dell’impianto. Sulla piattaforma sono caricati gli algoritmi di intelligenza artificiale che riproducono in real time le variabili critiche di processo.
Un sistema di data experience rende possibile il confronto tra le variabili reali e le predizioni fatte dai modelli. In questo modo è realizzato il controllo continuo della centrale dal punto di vista delle performance e delle condizioni dei singoli asset. Le data experience sono dedicate ad ogni asset ed elaborano gli output dei modelli in modo che siano comprensibili agli utenti. Sono generati allarmi nel caso in cui le variabili monitorate si discostino pericolosamente dalle predizioni, in base ad un sistema di carte di controllo.
Inoltre, la piattaforma consente di manutenere gli algoritmi di intelligenza artificiale come fossero veri e propri asset aziendali. Ciò avviene tramite la presenza di un modulo AI. Questo permette di approfondire le performance dei singoli modelli dal punto di vista delle metriche, per poter valutare la necessità di riallenare i modelli in base a dati più recenti. L’analisi delle carte di controllo, presenti in questa sezione, consente di approfondire lo studio del comportamento degli asset, utilizzando l’analisi dei residui e delle loro somme cumulate (CUSUM).
RISULTATI
Il monitoraggio continuo delle performance degli asset di una centrale termoelettrica è fondamentale per ridurre al minimo i fermi dovuti a manutenzione straordinaria. Fondamentale anche per rispettare vincoli normativi legati alla tutela ambientale e all’ottimizzazione delle risorse.
- – L’utilizzo dell’intelligenza artificiale ha permesso di implementare circa 30 modelli di machine learning. Questi sono in grado di riprodurre le variabili critiche di processo, simulandone un comportamento ottimale. In particolare, gli algoritmi implementati sono in grado di intercettare:
- • deviazioni nel rendimento di impianto di circa lo 0.2%
- • diversi comportamenti anomali legati agli asset principali ed ausiliari
- • l’indicazione numerica dell’efficienza attesa per le turbine a gas e a vapore.
- – Una piattaforma custom di data experience ha permesso di integrare il set di modelli implementato. Ciò rende possibile il controllo continuo della centrale dal punto di vista delle performance e dello stato di salute dei singoli asset.
Infine, la presenza di un set completo di modelli abilita il controllo incrociato. Ciò è utile per intercettare la causa di un’anomalia considerando il comportamento dello specifico asset ed anche degli asset a questo collegati.
CONCLUSIONE
Avere a disposizione un software per la creazione e facile manutenzione dei modelli di AI è stato fondamentale per il progetto di digitalizzazione della centrale termoelettrica. Avere uno strumento che permetta non solo di creare, ma anche di allenare i modelli sui nuovi dati, qualora quelli attuali dovessero diminuire le proprie performance in seguito al cambio dei parametri nominali, rende l’AI scalabile, un vero e proprio asset industriale. Per capire come rendere tutto questo possibile anche nella tua realtà aziendale, contattaci.
