• Passer à la navigation principale
  • Passer au contenu principal
  • Passer au pied de page
Mipu

Mipu

Predictive Hub

MENUMENU
  • Home
  • ARGUMENTS
        • INTERNET DES OBJETS
        • GESTION DE L’ÉNERGIE
        • MINTENANCE PRéDICTIVE
        • GESTION ET INGÉNIERIE DE MAINTENANCE
        • IA & FACTORY DATA SCIENCE
        • TECHNOLOGIES: LOGICIELS
          • REBECCA ASSET MANAGEMENT
          • REBECCA ENERGY MANAGEMENT
          • REBECCA INTERNET OF THINGS
          • REBECCA ARTIFICIAL INTELLIGENCE
        • TECHNOLOGIES: MATÉRIEL
          • DAVIDE
          • INSTRUMENTS DE SUIVI
  • SECTEURS
        • CHIMIE
        • FABRICANTS DE MACHINES
        • SECTEUR PHARMACEUTIQUE
        • SIDÉRURGIE
        • TELCO
        • FABRICATION
        • GDO
  • ABOUT
        • QUI SOMMES-NOUS
        • HISTOIRE DE MIPU
        • POSTES À POUVOIR
        • NOUS RENCONTRER
  • CONTACTS
  • Français
    • Italien
    • Anglais
    • Espagnol

Manutenzione Predittiva

NUMÉRISATION D’UNE CENTRALE THERMOÉLECTRIQUE

27 juillet 2020 by

D’autres exigences ont incité les grands acteurs de l’énergie à faire appel à des techniques d’avant-garde pour le suivi et la maintenance de leurs actifs. Parmi ces exigences, la nécessité d’optimiser l’utilisation des ressources, de réduire les gaspillages et de renforcer l’efficience des installations. Prévenir à temps les dysfonctionnements et les chutes de rendement des composants critiques garantit la réduction des arrêts pour maintenance corrective et un rendement constant et proche des valeurs de projet de la centrale.

Cette étude de cas démontre les potentialités des algorithmes de machine learning appliqués aux données de suivi des actifs d’une centrale thermo-électrique. La numérisation d’une centrale thermo-électrique est ainsi étudiée.

 

PROFIL DU CLIENT

Le client est une entreprise italienne spécialisée dans l’approvisionnement, la production et la vente d’énergie électrique, de gaz et de pétrole brut.

Elle détient environ 6,7 % de la production d’énergie italienne et possède un parc de production incluant installations à cycle combiné à gaz, hydroélectriques, éoliennes, solaires et à biomasse.

 

EXIGENCES DU CLIENT

Se conformant aux principes d’Industrie 4.0, le client est fortement résolu à investir dans la recherche et dans l’exploration du potentiel offert par l’intelligence artificielle appliquée à l’industrie. L’objectif est de créer une infrastructure fiable pour la maintenance prédictive et le suivi de ses actifs.

Le client nous a donc demandé de mettre en œuvre un système de suivi et de maintenance prédictive basé sur l’intelligence artificielle. Son objectif est un contrôle constant des performances des actifs critiques de l’une de ses centrales thermoélectriques. La centrale intéressé est à cycle combiné, et installée dans le sud de l’Italie.

 

LA SOLUTION

La solution consiste en une plateforme connectée aux capteurs de champ qui assure le suivi constant de la santé de l’installation.

Après une première phase de collecte et d’analyse des données disponibles au moyen d’un système d’acquisition IoT, les algorithmes d’intelligence artificielle ont été chargés sur la plateforme et reproduisent en temps réel les variables critiques de processus.

Un système de data experience permet de comparer les variables réelles et les prédictions des modèles. Le contrôle continu de la centrale est ainsi assuré en termes de performances et de conditions de chaque actif. Les data experience sont dédiées à chaque actif et élaborent les résultats des modèles de façon à les rendre compréhensibles pour les utilisateurs. Des alarmes se déclenchent si les variables suivies diffèrent dangereusement des prédictions sur la base d’un système de cartes de contrôle.

La plateforme permet en outre la maintenance des algorithmes d’intelligence artificielle comme s’il s’agissait de véritables actifs d’entreprise. Elle utilise pour cela un module IA. Il est ainsi possible d’approfondir les performances de chaque modèle en termes de métriques et d’évaluer la nécessité de rectifier les modèles selon les données les plus récentes. L’analyse des cartes de contrôle de cette section permet d’approfondir l’étude du comportement des actifs en utilisant l’analyse des résidus et leurs sommes cumulées (CUSUM).

 

RÉSULTATS

L’utilisation de l’intelligence artificielle a permis l’implémentation d’environ 30 modèles de machine learning. Ces derniers peuvent reproduire les variables critiques de processus en simulant un comportement optimal. Les algorithmes implémentés sont en particulier en mesure de prévenir:

  • – les déviations du rendement de l’installation d’environ 0,2 %
  • – plusieurs comportements anormaux des actifs principaux et auxiliaires
  • – l’indication numérique de l’efficience prévue pour les turbines à gaz et à vapeur.

 

Une plateforme personnalisée de data experience a permis d’intégrer le groupe de modèles implémenté. Le contrôle continu de la centrale est ainsi assuré en termes de performances et d’état de chaque actif.

La présence d’un groupe complet de modèles permet en outre des contrôles croisés. Il permet de prévenir les causes d’anomalies via étude du comportement de l’actif intéressé et de ceux connectés à ce dernier.

CONCLUSION

Le suivi continu des performances des actifs d’une centrale thermoélectrique est essentiel à réduire au minimum les arrêts pour maintenance corrective et à respecter les contraintes des normes sur l’environnement et l’optimisation des ressources.
Disposer d’un logiciel permettant la création et la maintenance aisée des modèles d’IA a été déterminant pour le projet de numérisation de la centrale thermoélectrique. Disposer d’un instrument permettant, non seulement de créer, mais également d’aligner les modèles sur les nouvelles données si les actuelles enregistrent une baisse de performance suite à une modification des paramètres nominaux, fait de l’IA évolutive un véritable actif industriel. Contactez-nous pour en savoir plus sur comment tout cela peut s’appliquer à votre entreprise industrielle.

MAINTENANCE PRÉDICTIVE ET IA POUR LE SUIVI DES TURBINES ÉOLIENNES

23 avril 2020 by

MAINTENANCE PRÉDICTIVE ET IA POUR LE SUIVI DES TURBINES ÉOLIENNES

L’étude de cas suivante propose un exemple d’application de maintenance prédictive via IA pour le suivi des turbines éoliennes.

Les grandes entreprises de production doivent toutes optimiser leurs frais de maintenance et garantir simultanément la fiabilité de leur installation.

L’approche de la maintenance planifiée, même si elle permet toujours d’éviter les défaillances inattendues, n’est pas toujours efficace en termes de coûts. L’évolution de la maintenance consiste dans la maintenance conditionnelle et la maintenance prédictive. Cette modalité est renforcée et rendue plus flexible et applicable grâce aux algorithmes de machine learning.

Grâce aux modèles alignés pour identifier les comportements anormaux, le machine learning peut prévenir les défaillances avant que ces dernières n’entraînent un arrêt de production ou une rupture de l’installation.

 

PROFIL DU CLIENT

Le client ayant appliqué la solution prédictive de MIPU est une grosse entreprise du domaine de l’énergie comptant 7 parcs d’éoliennes en exploitation d’une capacité globale de 368 MW bruts.

MIPU a développé et mis en œuvre une solution de suivi et de contrôle de l’état de santé du parc d’éoliennes du client via modélisation de plusieurs paramètres de processus, et permis ainsi d’éviter les anomalies de deux des principaux composants de la turbine éolienne.

 

EXIGENCES DU CLIENT

Participant directement à la maintenance des turbines éoliennes et très intéressé à l’optimisation de leurs performances, le client a reconnu l’utilité de disposer d’une solution pouvant déceler les changements anormaux de comportement de la turbine éolienne.

L’objectif est de pouvoir intervenir de manière anticipée et d’éviter ainsi les pannes et les arrêts de production portant à une solution d’urgence du problème, et d’éviter également d’appliquer un calendrier de maintenance préventive rigide prévoyant une série de complications liées à la structure même de l’actif.

 

LA SOLUTION MIPU

MIPU développe des modèles prédictifs dans le domaine du suivi et du contrôle énergétique et de la maintenance depuis 2008, grâce aux développements d’instruments logiciels permettant l’intégration et l’automatisation du flux de données de terrain et la formation industrielle de ses ingénieurs.

MIPU a donc collecté les données clients et évalué leurs qualités et potentialités lors d’une étude préliminaire de cohérence et corrélation.

L’analyse de l’installation, effectuée aux côtés des techniciens et des responsables de production de l’entreprise, a permis de définir les principaux modèles à implémenter en vue de l’optimisation du contrôle et de la maintenance. Le modèle de contrôle de l’état de santé des composants gearbox et slip ring a entre autres été défini.

 

MAINTENANCE PRÉDICTIVE ET IA

L’algorithme appliqué au modèle est un réseau neuronal artificiel feedforward structuré selon des unités de calcul nommées neurones lesquelles, une fois reliées les unes aux autres, sont en mesure de représenter et de généraliser le comportement de systèmes haute complexité non linéaires.

 

 

Les modèles identifiés ont été projetés en fonction des paramètres disponibles pour prévoir l’état de santé des deux composants, représenté par un paramètre spécial dont tout écart avec les attentes indique une anomalie de comportement.

Le schéma ci-dessous représente en détail les paramètres identifiés pour la prévision.

Les modèles, statistiquement validés en fonction des métriques indiquant leur fiabilité, ont été appliqués aux données historiques pour vérifier leur sensibilité aux pannes ou anomalies.

Le modèle de gearbox, appliqué aux données historiques ayant enregistré une défaillance du composant, a indiqué un changement de comportement lors de l’intervention de maintenance, anticipé sur les instruments disponibles pour la prévention des anomalies.

De même, le modèle appliqué au slip ring a décelé un second changement de comportement correspondant à une anomalie décelée et enregistrée dans l’historique des interventions d’entretien.


RÉSULTATS

Dans les deux cas, le modèle a décelé plusieurs mois à l’avance l’anomalie ayant ensuite évolué en défaillance.

Appliqué en temps réel, le système est donc en mesure de déceler les situations à risque, lesquelles doivent être gérées suffisamment à l’avance afin de garantir l’organisation de l’équipe de maintenance.

PRÉVENTION DES DÉFAILLANCES GRÂCE AU MACHINE LEARNING: CAS RÉELS

11 décembre 2019 by

Cet article décrit le parcours généralement effectué pour construire des modèles de machine learning permettant le suivi et la prédiction du comportement d’un actif. Dans la seconde partie, nous fournirons en revanche des exemples d’application et les résultats atteints par MIPU pour une entreprise cliente du secteur fabrication.

PRÉVENTION DES DÉFAILLANCES GRÂCE AU MACHINE LEARNING : PARCOURS

Les applications de Machine Learning pour la maintenance prédictive permettent d’identifier la cause d’une défaillance avant qu’elle ne se manifeste.

  • – La première phase prévoit la construction d’un modèle mathématique de l’actif. Le modèle comprend tous les paramètres de processus associés à cet actif, mémorisés dans une base de données. La majorité des modèles comprend entre 10 et 30 paramètres, mais certains peuvent contenir jusqu’à 100 paramètres.
  • – Durant la seconde phase, les données historiques des paramètres sont importées dans le modèle. Ce groupe de données est défini comme « d’entraînement » et inclut généralement une année de données. Un expert du fonctionnement de l’actif sait quelles sont les données à inclure ou pas dans le groupe d’entraînement.
  • – Durant la troisième phase, le groupe de données d’entraînement est utilisé pour développer une matrice opérationnelle de l’actif. La matrice identifie le mode de fonctionnement prévu de la machine à une période donnée sur la base des données d’entraînement utilisées pour la création.
  • – Pour finir, le logiciel suit constamment le fonctionnement de la machine et prévoit les valeurs des paramètres de la machine en fonction de la matrice utilisée. En cas d’écart important d’un paramètre par rapport à la prévision du modèle, le système envoie une alerte.

(votre logiciel est-il en mesure de la faire ? Dans le cas contraire, êtes-vous intéressé à sa mise à jour ?)

 

PRÉVENTION DES DÉFAILLANCES GRÂCE AU MACHINE LEARNING : APPLICATIONS

CAS 1

La Figure 1 représente une hausse des vibrations du palier d’un ventilateur entraînée par une fuite d’huile. Cette condition a déclenché une alarme.
La solution créée avec le Machine Learning prévoyait, dans les conditions d’exploitation actuelles, que la vibration du palier aurait dû être d’environ 3,5 mm. La vibration du palier s’est lentement éloignée de la valeur prévue, déclenchant une alarme dès atteinte de la valeur de 4,7 mm.

Les responsables techniques de l’installation ont ainsi été alertés et, après inspection visuelle du ventilateur, ont diagnostiqué une fuite d’huile. L’aspiration de la fuite d’huile s’effectuait dans le logement du ventilateur, et rien n’indiquait donc une fuite sur le sol. L’huile déposée sur les pales du ventilateur a accumulé saleté et détritus et entraîné le déséquilibre de la rotation et donc une augmentation des vibrations. Les responsables techniques de l’installation ont donc entrepris des actions correctives en vue de réparer la fuite avant l’endommagement du palier.

 

Prevenire i guasti con il machine learning
Augmentation des vibrations du ventilateur

CAS 2

La Figure 2 décrit le système de lubrification d’un grand pulvérisateur. Le système de lubrification alimente en huile le boîtier du changement de vitesse et tous les paliers. Le modèle de l’actif prévoyait une température de 90 °F, mais la température effective a atteint 110 °F. Le logiciel a donc déclenché une alarme, et les techniciens de l’installation ont constaté que la vanne de contrôle de l’eau de refroidissement de l’échangeur de chaleur de l’huile lubrifiante était endommagée. La vanne de contrôle a été remplacée, et le système a repris son fonctionnement normal.

 

Prevenire i guasti con il machine learning
Température d’huile du pulvérisateur

CAS 3
La Figure 3 décrit un système hydroélectrique (EHC) chargé du contrôle de la position de la vanne, de la vitesse de la turbine et des soupapes de sûreté. Dans ce cas, la pression différentielle au travers du filtre A de la pompe EHC a commencé à monter. Les techniciens ont été avertis à temps et ont pu commuter de la pompe A à la pompe B. Le blocage d’urgence de la turbine et tous les dommages subséquents ont ainsi été évités.

 

Prevenire i guasti con il machine learning
Filtre du système électrohydraulique

Contactez-nous pour de plus amples informations sur ces exemples, ou pour savoir comment implémenter des modèles de machine learning sur vos actifs.

Footer

CONTACTS

info@mipu.eu
 
+39 0365 520098
 
SALO’ | MILAN | TURIN | VICENZA | GENÈVE

Numéro de TVA 04172380984| REA BS-594066 | CAPITAL SOCIAL: € 114.000 | PEC: mipu_phub@legalmail.it

Informativa Privacy | Informativa Cookies | Codice Etico  | Salute e Sicurezza | Politica Ambientale | Politica della Qualità | Credits