- 分析与建模 - 机器学习
- 分析与建模 - 预测分析
- 功能应用 - 远程监控系统
- 传感器 - 加速度计
- 传感器 - 液位传感器
- 传感器 - 温度传感器
- 传感器 - 振动传感器
- 公用事业
- 维护
- 预测性维护
运营水轮机的公用事业公司在执行定期维护以防止意外故障方面具有既得利益。大多数维护都是在计划的基础上进行的,如果需要,资产会离线、检查和主动维修。水轮机机组非常可靠,这意味着很少有计划外停机的例子。然而,这些故障对他们的运营商来说是非常昂贵的。
鉴于运营商对计划外停机时间的敏感性,许多运营商已经为涡轮机和发电机配备了传感器和平台,以实时收集有价值的性能信息。但是由于历史上的水电故障很少可以比较,丰富的流数据和基于传统统计的分析在预测真正的故障事件方面并不是很准确。事实上,他们经常通过良性误报使监控团队超载而产生更多问题,从而导致不必要的停机时间进行评估。这就引出了一个问题:人工智能能否帮助维护团队从数据中提取更多价值?
对于这项合作,水电公用事业公司希望评估 SparkPredict 在两个关键领域的表现,并将结果与他们现有的基于统计的解决方案进行比较:
• SparkPredict 能否在其中一台涡轮机发生已知事件之前检测到发电机的变化?
• SparkPredict 可以为工程团队提供哪些额外的见解来帮助他们改进维护?
SparkCognition 获得了一台涡轮机的两年数据,该涡轮机在 2015 年至 2016 年期间经历了多次故障事件。
从给定的传感器集合中,SparkPredict 数据科学家确定了 40 个重要标签,这些标签测量了发电机速度、功率输出、温度读数、油位、振动和轴间隙测量等重要变量。在收到数据的六周内,SparkPredict 数据科学家研究、训练并构建了一个无监督机器学习模型。无监督学习在预测罕见故障时特别强大,因为故障信息很少,而且没有一个始终如一地记录在案。这种类型的模型不是与以前已知的指标进行比较,而是适应资产的独特行为。通过标记异常行为,SparkPredict 可以识别未知故障的指标。
使用这种方法,SparkPredict 准确识别数据集中的涡轮机故障事件,并提前一个多月发出预警,成功满足第一个项目标准。
此外,SparkPredict 通过可解释的 AI 公开了事件的关键领先指标。特别是,该公用事业公司希望了解多个传感器如何相互关联,以及与历史测量值的微小偏差如何导致初期故障模式。 SparkPredict 提升了 9 个值发生变化的传感器。
Case Study missing?
Start adding your own!
Register with your work email and create a new case study profile for your business.