[論文レビュー] Condition monitoring and early diagnostics methodologies for hydropower plants

Alessandro Betti, Emanuele Crisostomi+4 more|arXiv (Cornell University)|Nov 13, 2019

Fault Detection and Control Systems参考文献 13被引用数 5

ひとこと要約

本論文は、水力発電所における状態監視および初期故障検出のための、自己組織化マップ（SOM）に基づく新規なキーパフォーマンス指標（KPI）を提案する。この手法は、従来のホットリング $t^2$ コントロールチャートに比べ、初期故障をより早期に検出でき、故障した部品の特定も可能であることが、2つの実際の水力発電所で12か月にわたる検証で確認された。その結果、予期しない停止を防ぐことで25,000～100,000ユーロのコスト削減が達成された。

ABSTRACT

Hydropower plants are one of the most convenient option for power generation, as they generate energy exploiting a renewable source, they have relatively low operating and maintenance costs, and they may be used to provide ancillary services, exploiting the large reservoirs of available water. The recent advances in Information and Communication Technologies (ICT) and in machine learning methodologies are seen as fundamental enablers to upgrade and modernize the current operation of most hydropower plants, in terms of condition monitoring, early diagnostics and eventually predictive maintenance. While very few works, or running technologies, have been documented so far for the hydro case, in this paper we propose a novel Key Performance Indicator (KPI) that we have recently developed and tested on operating hydropower plants. In particular, we show that after more than one year of operation it has been able to identify several faults, and to support the operation and maintenance tasks of plant operators. Also, we show that the proposed KPI outperforms conventional multivariable process control charts, like the Hotelling $t_2$ index.

研究の動機と目的

• 高度な機械学習を用いて、リアルタイムでデータ駆動型の状態監視システムを水力発電所に開発すること。
• 従来のしきい値ベースや多変量コントロールチャートを超えて、初期故障検出を向上させること。
• 検出された異常の原因部品を特定し、的確な保守を支援すること。
• 12か月間の現場テストを通じて、実運用環境下でのKPIの妥当性を検証すること。
• 教師なし学習とオペレーターのフィードバックループを活用して、予測保守の実現可能性を水力発電分野で示すこと。

提案手法

• 水力発電所の運転に伴う歴史的センサー記録データを用いて、自己組織化マップ（SOM）を訓練し、正常な運転パターンを学習する。
• KPIは、入力データと最も近いSOMニューロンとの間の量子化誤差として計算され、正常動作からの逸脱度を指標とする。
• KPIが、歴史的KPI分布に基づいて動的に調整された警戒しきい値を超えた場合に異常を検出する。
• 個々のセンサーがKPIの逸脱に与える寄与度を感度に基づくアプローチで分析することで、故障原因部品を同定する。
• オペレーターからのフィードバックを繰り返し活用して、検出精度を向上させ、誤検出を低減する。
• 2つの水力発電施設の実データを用いて、KPIの性能をホットリング $t^2$ コントロールチャートと比較する。

実験結果

リサーチクエスチョン

• RQ1 SOMに基づくKPIは、従来の多変量コントロールチャートに比べ、水力発電所の初期故障をより早期に検出できるか？
• RQ2 提案されたKPIは、異常行動の原因となる特定の部品を特定できるか？
• RQ3 KPIは、複数の水力発電所における長期にわたる実運用環境で、どの程度効果的か？
• RQ4 オペレーターのフィードバックは、KPIの検出能力をどの程度向上できるか？
• RQ5 この手法による早期故障検出は、どのような経済的利点をもたらすか？

主な発見

• 2018年10月1日、Plant Bでセンサー故障がSOMベースのKPIにより検出されたが、これは故障が深刻化する1日前であった。これにより、適切な修理が実施され、発電ユニットの停止を回避できた。
• 発電ユニットの停止を防ぐことで、予想されるダウンタイムおよび修理コストを25,000～100,000ユーロ削減した。
• 2018年6月1日、Plant Aでトランスフォーマーの異常をKPIが検出。ホットリング $t^2$ チャートは20日後まで警報を発しない。
• KPIは、以前にガスモニタリングシステムが検出できなかった過去の故障パターンを正しく特定した。このシステムは、2018年4月22日以降にガス濃度が上昇するのみを示していた。
• 過去の異常データを学習データセットから除外した後、KPIは故障が1か月前に既に開始していたことを後から確認した。これは、フィードバックを活用したことで検出能力が向上したことを示している。
• ホットリング $t^2$ コントロールチャートに比べ、SOMベースのKPIは誤検出を低減し、より早期で信頼性の高い警告を可能にした。