SR::SPC ML – Predykcja Machine Learning

Dlaczego Detekcja Anomalii?

STEAG Energy Services GmbH wprowadził do swojej oferty moduł SR::SPC ML czyli moduł analizy anomalii z uczeniem maszynowym. Jest to komplementarne rozwiązanie dla modułu SR::SPC, tworzące razem pełny, hybrydowy, układ predykcyjnego zarządzania i predykcyjnego utrzymania ruchu.

SR::SPC to zdefiniowane przez naszych specjalistów kluczowe wskaźniki efektywności (KPI), które opisują konkretne elementy instalacji i z wysoką precyzją informują o wszelkich możliwych zmianach lub potencjalnych awariach.

Jednakże istnieje wiele parametrów nie ujętych w KPI, wiązałoby się to z koniecznością wykonania wskaźników dla każdego elementu instalacji, co prowadzi za sobą zwiększone koszty inwestycyjne, przedłuża proces implementacji i nie zawsze jest potrzebne.

Istnieje zatem potrzeba analizy większości parametrów procesowych, tak by wychwycić ewentualne niepokojące zmiany. Rozwiązaniem jest zastosowanie Detekcji Anomalii, SR::SPC ML, swoistego “odcisku palca” instalacji

Zasada działania

  • SR::SPC ML analizuje zachowania się kilku tysięcy parametrów pracy instalacji
  • Następuje automatyczne generowanie wskaźników efektywności KPI, bez konkretnej wiedzy eksperckiej
  • Umożliwia utworzenie KPI dla każdego mierzalnego parametru wraz z informacją, czy wartość odpowiada warunkom pracy czy nie
  • Wzory widocznych zmierzonych wartości są przypisywane do błędów w zakładzie
  • Żadna niepokojąca zmiana parametrów nie przejdzie niezauważona, bowiem utworzone są KPI dla wszystkich pomiarów
  • Zastosowanie Detekcji Anomalii zmniejsza nakłady inwestycyjne i wkład pracy systemu analityki predykcyjnej
  • W przypadku kiedy po pewnym czasie okaże się, że któryś z elementów instalacji sprawia więcej problemów firma STEAG może dla niego stworzyć dodatkowy osobny KPI w module SR::SPC

Przykład implementacji SR::SPC ML

Informacje o jednostce wytwórczej:

  • 234 KKS (z grup HH, HT, HLA, HLB, HN, HS, EB, HQ, HU, SA, HF, BB)
  • pomiary parametrów spalin
  • 5 lat danych, co 10 minut, 1/2009 – 12/2013
  • 350MWel
  • węgiel kamieny
  • kocioł przepływowy

niebieski – zachowanie normalne
fioletowy – anomalia

Porównanie podejścia “Eksperckiego KPI” z “Big Data”

Dlaczego warto stosować obydwa moduły, SR::SPC i SR::SPC ML, jednocześnie

Porównanie metod predykcji

ZALETY OGRANICZENIA
EKSPERCKIE KPI – SR::SPC
  • Predefiniowana KPI dla konkretnego parametru pozwala na wysoką czułość analizy
  • Wysokie wymagania inżynieryjne
  • Ryzyko pominięcia anomalii
SMART DATA – SR::SPC ML
  • Minimalne wymagania konfiguracji w celu znalezienia rozwiązania
  • Zmniejszenie ryzyka pominięcia anomalii
  • Wymagane więcej danych
  • Zmniejszona czułość w stosunku do podejścia eksperckiego

Przyszłość Analizy Predykcyjnej

  • Przyszłe rozwiązania będą wymagały łączenia Eksperckiego KPI (SR::SPC) z podejściem Smart Data (SR::SPC ML)
  • Opcjonalne wsparcie inżynieryjne przez grupę ekspertów posiadających wiedzę i doświadczenie dla danego układu wspomoże personel w ocenie wyników
  • Takie działanie zwiększy dyspozycyjność instalacji i zmniejszy właściwe zużycie paliw
  • Współdziałanie w celu znajdowania anomalii i określania kluczowych wskaźników jakościowych KPI powoduje lepszą wymianę wiedzy i doświadczenia

SR::SPC

Więcej o produkcie SR::SPC – module do tworzenia KPI, kluczowych wskaźników jakościowych

Zobacz więcej o SR::SPC