[论文解读] 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 5

一句话总结

本文提出了一种基于自组织映射（SOM）的关键绩效指标（KPI），用于水力发电厂的工况监测与早期故障检测。该方法在两家真实水力发电厂经过12个月的验证中，相较于传统的Hotelling $t^2$控制图，能更早检测出早期故障并识别故障部件，成功避免非计划停机，实现节省25,000至100,000欧元的成本。

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.

研究动机与目标

• 开发一种基于实时数据的、面向水力发电厂的机器学习驱动工况监测系统。
• 在传统基于阈值或多元控制图的基础上，进一步提升早期故障检测能力。
• 识别检测到异常行为的根源部件，以支持针对性维护。
• 在真实运行条件下开展为期12个月的现场测试，验证KPI的有效性。
• 通过无监督学习与操作员反馈回路，证明水力发电领域预测性维护的可行性。

提出的方法

• 利用水力发电厂历史传感器数据对自组织映射（SOM）进行训练，以学习正常运行模式。
• KPI计算为输入数据与最近似SOM神经元之间的量化误差，作为偏离正常行为的度量指标。
• 当KPI超过基于历史KPI分布动态调整的预警阈值时，判定为异常。
• 通过基于灵敏度的方法分析各传感器对KPI偏差的贡献，识别故障部件。
• 通过操作员反馈对系统进行迭代优化，以提高检测准确率并减少误报。
• 使用两家水力发电厂的真实工厂数据，将性能与Hotelling $t^2$控制图进行对比基准测试。

实验结果

研究问题

• RQ1 基于SOM的KPI是否能比传统多元控制图更早检测出水力发电厂的早期故障？
• RQ2 所提出的KPI能否识别出导致异常行为的具体部件？
• RQ3 该KPI在多个水力发电厂的真实长期运行中效果如何？
• RQ4 操作员反馈在多大程度上可提升KPI的检测能力？
• RQ5 使用该方法实现早期故障检测的经济效益如何？

主要发现

• 2018年10月1日，SOM-based KPI在B电厂检测到传感器故障，比故障恶化为临界状态提前一天，使维修得以及时进行，避免了机组停机。
• 通过防止发电机组停机，该系统成功避免了约25,000至100,000欧元的停机与维修成本。
• 2018年6月1日，KPI在A电厂检测到变压器异常，比Hotelling $t^2$控制图提前一个月发现，后者在20天后才触发警报。
• KPI正确识别出变压器过去曾出现但此前未被电厂气体监测系统发现的故障模式，该系统仅从2018年4月22日起显示出气体水平上升。
• 在从训练集中移除历史异常数据后，KPI回溯确认故障实际始于一个月前，表明通过反馈优化后检测能力得到提升。
• SOM-based KPI在减少误报和提供更早、更可靠的预警方面，优于Hotelling $t^2$控制图。