Mipu

Predictive Hub

Data Science

L’INTELLIGENZA ARTIFICIALE APPLICATA AI GENERATORI DI VAPORE A RECUPERO

by

L’INTELLIGENZA ARTIFICIALE APPLICATA AI GENERATORI DI VAPORE A RECUPERO

I generatori di vapore a recupero sono tipicamente utilizzati all’interno di centrali termoelettriche a ciclo combinato. Questi svolgono un ruolo fondamentale nel recupero dell’energia termica dei fumi di scarico delle turbine a gas, che altrimenti finirebbero persi in atmosfera. Con energia termica di scarto, i GVR (generatori di vapore a recupero) sono in grado di produrre vapore surriscaldato a diversi livelli di pressione. In cascata può alimentare utenze termiche o evolvere in una turbina a vapore per produrre energia elettrica.

Al fine di ottimizzare l’utilizzo delle risorse, ridurre gli sprechi e aumentare l’efficienza degli impianti, le aziende del campo energetico utilizzano sempre più spesso tecniche all’avanguardia per il monitoraggio dei propri asset.

In questo caso studio saranno esplorate le potenzialità degli algoritmi di machine learning, applicati ai dati di monitoraggio di un generatore di vapore a recupero a tre livelli di pressione, presente in una centrale termoelettrica a ciclo combinato.

Le portate di vapore surriscaldato prodotte ai diversi livelli e la pressione della portata di alimento sono state riprodotte tramite algoritmi di intelligenza artificiale. Per ogni variabile è stato implementato uno strumento di controllo in grado di intercettare anomalie.

I modelli di machine learning e i relativi strumenti di controllo sono integrati ad una soluzione software che monitora le performance dei generatori di vapore a recupero. Inoltre, consente una visione di insieme dello stato di salute dell’asset e 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. Conta più di 3.000 dipendenti ed è uno dei principali player di energia elettrica in Italia. Infatti, detiene circa il 6,7% della produzione nazionale: possiede un parco produttivo che comprende impianti a ciclo combinato gas-vapore, idroelettrici, eolici, solari e a biomasse.

 

LE NECESSITA’ DEL CLIENTE

Al fine di garantire standard di efficienza elevati, guasti e perdite di performance devono essere intercettati tempestivamente. In una centrale di produzione di energia, la manutenzione predittiva è ad oggi la migliore per la manutenzione degli asset.

I generatori di vapore a recupero svolgono un ruolo di fondamentale importanza in una centrale termoelettrica a ciclo combinato. Infatti, recuperano l’energia entalpica dei gas esausti di una turbina a gas e con essa generano vapore surriscaldato in grado di alimentare utenze termiche o generare energia elettrica tramite una turbina a vapore accoppiata ad un generatore elettrico.

Le centrali termoelettriche a ciclo combinato possono raggiungere rendimenti superiori al 50% solo quando il recupero dei gas di scarico proveniente dai turbogas è completo ed efficiente. Per tali ragioni, fermi o guasti improvvisi di un GVR causano deciso calo del rendimento di impianto e netta diminuzione dell’energia elettrica prodotta, nonché massiva dispersione di energia termica in atmosfera.

Pertanto, il committente ha richiesto di implementare un sistema di monitoraggio e manutenzione predittiva basato sull’intelligenza artificiale. Tale richiesta dal punto di vista dell’output aveva il fine di controllare costantemente le performance dell’asset e, da quello delle prestazioni delle pompe di circolazione del GVR, di controllare le portate di vapore surriscaldato ai diversi livelli di pressione.
Lo strumento richiesto deve essere in grado di intercettare non solo cambi di comportamento nel funzionamento dell’asset, ma anche eventuali errori nella trasmissione dei dati provenienti dal campo, dovuti ad esempio a sensori non correttamente tarati o rotti.

 

LA SOLUZIONE MIPU

La soluzione MIPU consiste in cinque algoritmi di intelligenza artificiale integrati ad una piattaforma hardware, connessa ai sensori di campo, che monitora costantemente lo stato di salute dell’asset tramite dati in real time.

La costruzione dei modelli di intelligenza artificiale passa prima di tutto per l’identificazione dei parametri elettrici, meccanici e termodinamici che intervengono nella fisica del processo, in particolare quello di produzione del vapore surriscaldato nel GVR. Si passa poi all’analisi e visualizzazione dei dati a disposizione, provenienti da un sistema di acquisizione IoT, al riconoscimento dei periodi di fermo impianto o di manutenzione dell’asset. Le variabili di processo sono state analizzate in base al profilo temporale e alla correlazione qualitativa e quantitativa reciproca.

 

LE ANALISI SVOLTE

Un esempio dell’analisi dei dati svolta è l’identificazione della curva caratteristica delle pompe di circolazione del generatore di vapore a recupero. Da qui è possibile notare come la curva cambi a seconda che una o più pompe funzionino in parallelo.

Una volta individuato il periodo che nello storico a disposizione presentava il comportamento ottimale dell’asset, sono stati allenati i modelli di intelligenza artificiale.

Sono stati testati vari algoritmi di machine learning, caratterizzati da strutture differenti. Tali differenze permettono di identificare la soluzione più performante in termini di metriche statistiche e carte di controllo. La qualità 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 dell’asset.

Gli algoritmi riproducono in tempo reale le portate di vapore surriscaldato ai tre diversi livelli di pressione, la porta di vapore surriscaldato totale e la pressione della portata di alimento al GVR. Un sistema di data experience rende possibile il confronto tra le variabili reali e la predizione fatta da ciascun modello; così viene realizzato il controllo continuo del generatore di vapore a recupero dal punto di vista delle performance e dello stato di salute.

Di seguito un grafico che mostra l’andamento della portata di vapore surriscaldato prodotto globalmente dal GVR. Il grafico mostra anche la predizione del modello in un periodo di funzionamento a regime dell’asset.

Il confronto in tempo reale tra le misure provenienti dal campo e la predizione fatta dal modello di AI permette di monitorare lo stato di salute dell’asset. Permette anche di intercettare eventuali errori nei dati raccolti, dovuti a sensori non correttamente tarati, spenti o addirittura rotti. Questo fenomeno è abbastanza frequente e la soluzione implementata individua facilmente un fault di questo tipo. Ciò accade perché la predizione sui dati provenienti dal campo risulta errata quando uno o più sensori non forniscono segnale o non sono adeguatamente tarati.

Nel seguente grafico è possibile osservare come la predizione del modello, in rosso, sia stata del tutto fuori controllo. Ciò è accaduto per un breve periodo in seguito ad un errore nella taratura di alcuni sensori.

 

RISULTATI

Monitorare in modo continuo le performance degli asset critici di una centrale termoelettrica con uno strumento semplice ed immediato è fondamentale. Così facendo diminuiscono i fermi dovuti a manutenzione straordinaria e sono rispettati vincoli normativi legati alla tutela ambientale e all’ottimizzazione delle risorse.

Tramite l’utilizzo dell’AI sono stati implementati 5 diversi modelli in grado di riprodurre le variabili critiche del processo di produzione di vapore surriscaldato di un GVR. E’ stato così possibile simularne il comportamento ottimale. Il set di modelli implementato è stato integrato in una piattaforma. Quest’ultima rende possibile il controllo continuo dell’asset dal punto di vista delle performance e dello stato di salute.

In particolare, gli algoritmi implementati sono in grado di intercettare deviazioni nella produzione totale di vapore surriscaldato del GVR di circa lo 0.6%. Inoltre, intercettano comportamenti anomali delle pompe di circolazione del GVR, con un errore dello 0.3% circa rispetto alla pressione della portata di alimento attesa.
Avere a disposizione un set completo di modelli per un unico asset abilita il controllo incrociato. Ciò è utile per intercettare la causa di un’anomalia, considerando il comportamento di una specifica variabile di processo ed anche altri parametri ad essa collegati.

 

CONCLUSIONE

Scopri di più sulle nostre soluzioni software, come Rebecca AI, la piattaforma che democratizza l’Intelligenza Artificiale e rende possibili queste applicazioni.

MANUTENZIONE PREDITTIVA E AI PER IL MONITORAGGIO DELLE TURBINE EOLICHE

by

MANUTENZIONE PREDITTIVA E AI PER IL MONITORAGGIO DELLE TURBINE EOLICHE

Il seguente caso studio propone un esempio di applicazione della Manutenzione Predittiva tramite AI per il monitoraggio delle turbine eoliche.

Le grandi aziende produttive hanno da sempre la necessità di ottimizzare i costi di manutenzione, garantendo nel contempo un’affidabilità dell’impianto sufficientemente alta.

L’approccio della manutenzione pianificata, sebbene spesso efficace nell’evitare guasti improvvisi, non sempre è efficiente dal punto di vista dei costi. Molto spesso, interventi di controllo invasivi o sostituzioni coinvolgono parti di impianto ancora completamente in salute, fermando la produzione senza che ce ne sia l’effettiva necessità.

L’evoluzione dell’approccio manutentivo è rappresentata dalla manutenzione su condizione e dalla manutenzione predittiva.

Queste modalità, già validate attraverso tecniche ingegneristiche specifiche quali l’analisi vibrazionale o degli oli, viene potenziata e resa sempre più flessibile e largamente applicabile grazie agli algoritmi di machine learning.

Attraverso modelli allenati per riconoscere anomalie del comportamento, il machine learning è in grado di intercettare i potenziali guasti o prevederli in anticipo, prima che questi portino a un blocco di produzione o una rottura dell’impianto.


PROFILO DEL CLIENTE

Il cliente che ha beneficiato della soluzione predittiva implementata da MIPU è una grossa società che opera nel campo della dell’energia, che conta 7 parchi eolici in esercizio, con una capacità complessiva di 368 MW lordi.

MIPU ha sviluppato e messo in campo una soluzione di monitoraggio e controllo dello stato di salute del parco eolico del cliente, attraverso la modellizzazione di diversi parametri di processo, rendendo possibile l’intercettazione di anomalie di comportamento in due dei componenti principali della turbina eolica.

 

NECESSITA’ DEL CLIENTE

Il cliente, direttamente coinvolto nella manutenzione delle turbine eoliche e molto interessato ad ottimizzarne le performance, ha intravisto l’opportunità di avere una soluzione in grado di intercettare cambi di comportamento anomali della turbina eolica.

L’obiettivo è quello di essere in grado di agire in anticipo sul guasto evitando blocchi di produzione e gestione emergenziale del problema, evitando al contempo un rigido calendario di manutenzione preventiva che prevede una serie di complicazioni legate alla struttura stessa dell’asset.

 

LA SOLUZIONE MIPU

MIPU sviluppa modelli predittivi nel campo del monitoraggio e controllo energetico e di 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.

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.

L’analisi dell’impianto in collaborazione con i tecnici dell’azienda e i responsabili di produzione ha reso possibile la definizione dei principali modelli da implementare per l’ottimizzazione del controllo e manutenzione. Tra questi, è stato definito il modello per il controllo dello stato di salute dei componenti gearbox e slip ring.

 

MANUTENZIONE PREDITTIVA E AI

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.

 

 

Rete Neurale Artificiale: strumento di calcolo costruito dai ricercatori con lo scopo di replicare la capacità plastica del cervello umano di acquisire input dall’ambiente esterno e elaborare queste informazioni tenendo conto del contesto.

 

 

I modelli identificati sono stati progettati in funzione dei parametri disponibili per prevedere lo stato di salute dei due componenti, rappresentato da un parametro specifico che se non allineato con l’attesa è sintomo di anomalia nel comportamento.

Nello schema sottostante sono riportati nel dettaglio i parametri identificati per la previsione.

I modelli, validati statisticamente in funzione delle metriche che ne rappresentano l’affidabilità, sono stati applicati sui dati storici per verificarne la sensibilità rispetto a guasti o anomalie.

Il modello del gearbox, applicato ai dati storici in cui era stato registrato un guasto sul componente, ha evidenziato un cambio di comportamento in concomitanza con l’intervento manutentivo, anticipato da fuori controllo sugli strumenti disponibili per l’intercettazione delle anomalie.

Similmente, il modello applicato allo slip ring ha intercettato un secondo cambio di comportamento in concomitanza con un’anomalia intercettata e registrata nello storico degli eventi manutentivi.


RISULTATI

In entrambi i casi, il modello ha chiaramente intercettato con un anticipo di mesi l’anomalia in atto, che si è poi evoluta in un guasto.

Il sistema, applicato in real time, è dunque in grado di evidenziare situazioni a rischio che devono essere gestite, con un sufficiente anticipo per garantire l’organizzazione del team di manutenzione.

INTELLIGENZA ARTIFICIALE PER LE TELECOMUNICAZIONI

by

INTELLIGENZA ARTIFICIALE PER LE TELECOMUNICAZIONI

L’Intelligenza Artificiale è sempre più utilizzata e applicata in moltissimi settori, incluso quello delle telecomunicazioni. Infatti, le applicazioni AI nel settore delle telecomunicazioni stanno acquisendo via via maggiore popolarità.

I fornitori di servizi di comunicazione si sono rivolti alle aziende che offrono servizi altamente personalizzati al fine di prendere parte al processo di trasformazione digitale. Usano l’Intelligenza Artificiale per diversi scopi, dal miglioramento dell’esperienza d’uso dei clienti alla manutenzione predittiva per potenziare  l’affidabilità delle reti.

In questo articolo vi mostreremo, attraverso alcuni esempi di casi d’uso, come l’AI può influire sulle aziende di telecomunicazione, analizzando il suo potenziale.

 

AI PER IL RILEVAMENTO DELLE ANOMALIE

I modelli AI sono efficaci nel rilevare le condizioni anomale. Infatti, un algoritmo AI può imparare dai dati quali sono le condizioni normali e quali invece sono quelle anormali, con lo scopo di intercettare gli scostamenti rispetto al funzionamento ottimale.

Il rilevamento di anomalie può includere il riconoscimento di malfunzionamenti hardware e software, traffico eccezionale, congestioni, intromissioni, ecc.

 

Inoltre, i modelli AI sono essenziali per sviluppare una quadro di manutenzione predittiva e sono in grado di:

  • 1) Rilevare le condizioni estreme improvvise nella rete
  • 2) Prevedere quando accadrà il prossimo evento eccezionale
  • 3) Ottimizzare il ripristino automatico dei guasti

 

Tra i tanti benefici della manutenzione predittiva, possiamo trovare: maggiore operabilità, una migliore qualità del servizio, costi di manutenzione più bassi e una migliore gestione del rischio.

 

AI PER L’OTTIMIZZAZIONE DELLE RETI

Le compagnie di telecomunicazioni possono usare gli algoritmi avanzati di AI per individuare e prevedere le anomalie di rete e risolvere i problemi, prima che questi abbiano un impatto negativo sui consumatori.

Riguardo a ciò, le attività dei provider offrono un terreno fertile in cui applicare i modelli AI. In base ai risultati che si vogliono raggiungere esistono diversi modelli, quali:

  • – Algoritmi di routing: sono utili per la schedulazione dinamica del percorso ottimale nella rete, basata su analisi avanzate per trovare pattern nei dati.
  • – Apprendimento di rinforzo: in questo caso, l’AI simula il comportamento degli utenti e ottimizza le operazioni di conseguenza.
  • – Modelli di previsione: nella previsione del carico di traffico futuro per la pianificazione, i modelli AI operano meglio delle tecniche più tradizionali.

 

Gli operatori di rete possono fare leva sulle informazioni ricavate dai dati raccolti dall’Intelligenza Artificiale per ridurre la latenza, ottimizzare il bilanciamento del carico e migliorare la previsione della domanda di traffico al fine di ottenere una migliore soddisfazione dei clienti.

 

AI PER LA CLASSIFICAZIONE DEL TRAFFICO E IL RAGGRUPPAMENTO DEL FLUSSO

Un’altra funzione utile dei modelli AI è la loro capacità di trovare gli schemi nascosti all’interno dei dati.

Questa abilità può essere sfruttata, tra le altre applicazioni, per gli scopi di profilazione del traffico, permettendo così:

  • 1) L’identificazione di cluster di sessioni basati sulle loro caratteristiche e una gestione strategica delle sessioni secondo le caratteristiche del cluster
  • 2) L’individuazione di cluster basati sul flusso di traffico: identificare e classificare le diverse condizioni delle reti in base alle caratteristiche del flusso del traffico
  • 3) Individuazione di sessioni dannose

 

Di conseguenza, un algoritmo può essere addestrato per identificare i cluster di osservazioni che condividono caratteristiche comuni e per classificare i nuovi dati osservati.


AI PIPELINE

Un modello AI /di Machine Learning viene sviluppato attraverso un processo ciclico, le cui fasi sono:

Usando una piattaforma software in grado di gestire l’intera AI pipeline in modo semplice e automatico, è possibile ridurre gli errori e migliorare il controllo sul processo.
Inoltre, con un’interfaccia grafica adeguata si potrebbero effettuare pre-elaborazioni avanzate, creare modelli, addestrare e implementare operazioni con solo un paio di click, secondo la visione AI code-free.
Inoltre, l’automatica acquisizione dei dati ed esecuzione del modello assicurano che l’AI funzioni perfettamente senza l’intervento umano.

La nostra piattaforma software Rebecca AI permette di fare tutto questo: agilità nella AI pipeline, ampia personalizzazione e integrazione con altre piattaforme e/o sorgenti di dati.

 

LA NOSTRA ESPERIENZA

La vasta esperienza acquisita in ambito Intelligenza Artificiale, Machine Learning e progetti di Analisi Avanzate ci permette di essere flessibili nella ricerca di ulteriori applicazioni dell’AI, sulla base delle informazioni rilevanti a livello di business che i nostri clienti vorrebbero fossero estratte dai loro dati.

Perché questo sia possibile, ci affidiamo alla nostra piattaforma software Rebecca AI. Con Rebecca AI si possono costruire e allenare i propri modelli AI senza il bisogno di codici, connettere ed eseguire complessi dataset, visualizzare i risultati in una pannello di controllo personalizzabile e monitorare le performance e i malfunzionamenti dei modelli. È possibile anche condividere e vendere i propri modelli AI, come anche acquistare i modelli creati e allenati dagli altri utenti.

Ciò che i progetti AI hanno in comune è l’impegno verso il rigore scientifico e verso il metodo e gli strumenti impiegati.

In conclusione, in un mondo altamente interconnesso, le opportunità dell’Intelligenza Artificiale nel settore della Telecomunicazione sono enormi. Soprattutto, in un settore altamente competitivo come quello delle telecomunicazioni, l’AI può solo continuare a svilupparsi ed accelerare la sua crescita, considerando che i suoi strumenti e applicazioni si stanno aggiornando velocemente e diventano sempre più sofisticate.

Contattaci per saperne di più!

PREVENIRE I GUASTI CON IL MACHINE LEARNING: CASI REALI

by

In questo articolo illustriamo il tipico percorso per costruire dei modelli di machine learning che permettano di monitorare e prevedere il comportamento di un asset. Nella seconda parte mostreremo invece degli esempi di applicazione e i risultati, raggiunti da MIPU, grazie ad un progetto il cui obiettivo era quello di prevenire i guasti attraverso l’applicazione del Machine Learning, per un’azienda cliente nel settore manifatturiero.

PREVENIRE I GUASTI CON IL MACHINE LEARNING: IL PERCORSO

Le applicazioni di Machine Learning per la Manutenzione Predittiva vengono utilizzate per identificare l’insorgenza di un guasto, prima che questo si verifichi. Chi ha familiarità con la curva P-F sa che prima si individua un potenziale difetto, prima si riesce ad evitare il fermo macchina.

  • – La prima fase di un processo di analisi mediante Machine Learning prevede la costruzione di un modello matematico dell’asset. Il modello comprende tutti i parametri di processo associati a quello specifico asset. Questi parametri sono in genere memorizzati in un database che acquisisce i dati dal DCS dell’impianto, i PLC associati, i registri elettronici, ecc.
    Se, per esempio, stiamo progettando il modello di una pompa, la pressione di aspirazione, la pressione di scarico, la posizione della valvola di controllo, la temperatura e la vibrazione dei cuscinetti sarebbero dei buoni esempi di parametri da includere nel modello. La maggior parte dei modelli ha tra i 10 e i 30 parametri, ma esistono anche modelli con quasi 100 parametri.

 

  • – In seconda fase, i dati storici dei parametri vengono importati nel modello. Questo dataset è in genere noto come set di dati per “l’addestramento” e normalmente include un anno di dati. Un dataset di un anno consente al modello di tenere conto delle variazioni stagionali delle operazioni di gestione. Una persona esperta nel funzionamento dell’asset, dotata quindi di competenza di dominio, saprebbe quindi quali sono i dati da includere od escludere nel set di addestramento.

 

  • – Durante la terza fase, si utilizza il set di dati addestramento  per sviluppare una matrice operativa dell’asset. La matrice identifica il modo in cui la macchina dovrebbe funzionare in un dato momento in base ai dati di addestramento utilizzati per crearla.

 

  • – In ultimo, il software monitora costantemente il funzionamento della macchina e prevede quali dovrebbero essere i valori dei parametri della macchina in base alla matrice che ha ricevuto in input. Se un parametro si discosta dalla previsione del modello di una percentuale significativa, il sistema genera un avviso relativo a quel particolare parametro. Viene quindi eseguita un’analisi tecnica sull’asset per valutare il cambiamento di condizione e le cause che potrebbero averlo innescato.
    (Il tuo software è in grado di farlo? Se no, potrebbe interessarti aggiornarlo)

 

PREVENIRE I GUASTI CON IL MACHINE LEARNING:
LE APPLICAZIONI

CASO 1

La Figura 1 mostra un incremento vibrazionale del cuscinetto della ventola di un ventilatore a causa di una perdita di olio. Questa condizione ha generato un allarme.
La soluzione creata con il Machine Learning aveva previsto che la vibrazione del cuscinetto avrebbe dovuto essere di circa 3,5 mm date le attuali condizioni operative. La vibrazione del cuscinetto si è lentamente allontanata dal valore previsto generando così un allarme non appena ha raggiunto il valore di 4,7 mm.

I responsabili tecnici dell’impianto sono così stati allertati e, tramite ispezione visiva della ventola, hanno identificato una perdita d’olio. L’aspirazione del ventilatore stava effettivamente aspirando nell’alloggiamento della ventola l’olio fuoriuscito dalla perdita, per questo motivo non c’era alcuna indicazione della perdita sul terreno. L’olio sulle pale della ventola ha accumulato sporco e detriti, causando uno sbilanciamento nella rotazione e quindi un aumento di vibrazione. I responsabili tecnici dell’impianto sono stati in grado di intraprendere azioni correttive per arrestare la perdita prima che il cuscinetto fosse danneggiato.

Prevenire i guasti con il machine learning
Aumento della Vibrazione della ventola

CASO 2

La Figura 2 riguarda il sistema di lubrificazione di un grande polverizzatore. Il sistema di lubrificazione fornisce olio alla scatola del cambio e a tutti i cuscinetti. Il modello dell’asset prevedeva che la temperatura fosse di 90 °F, ma la temperatura effettiva ha raggiunto i 110 °F. Il software ha quindi generato un allarme per i tecnici dell’impianto che hanno scoperto che la valvola di controllo dell’acqua di raffreddamento allo scambiatore di calore dell’olio lubrificante era guasta. La valvola di controllo è stata sostituita e il sistema è tornato a regime.

Prevenire i guasti con il machine learning
Temperatura dell’Olio del polverizzatore

CASO 3

La Figura 3 riguarda un sistema elettroidraulico (EHC) che controlla la posizione della valvola, la velocità della turbina e le valvole di sicurezza. In questo caso, la pressione differenziale attraverso il filtro “A” della pompa EHC ha iniziato ad aumentare. I tecnici sono stati allertati per tempo e sono stati in grado di passare dalla pompa “A” alla pompa “B”.  In questo modo, si sono evitati il blocco di emergenza della turbina e tutti i danni ad esso associati.

Prevenire i guasti con il machine learning
Filtro del sistema elettroidraulico

Per avere maggiori informazioni su questi esempi o su come implementare modelli di machine learning per i tuoi asset, contattaci!

CONTROLLO DELLE PERFORMANCE DI UNA TURBINA CON IL MACHINE LEARNING

by

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.