Гибридный метод обнаружения разладки в работе электрогенерирующего оборудования

В статье рассматривается вопрос надежности системы генерации энергии с точки зрения киберфизического управления системой. Компании, занимающиеся генерацией электроэнергии, должны поставлять этот ресурс бесперебойно и отслеживать процесс генерации для выявления и исправления всех причин возможных неполадок в работе процесса. Авторы представляют гибридный метод обнаружения разладок в работе киберфизических систем выработки энергии на основе данных процесса выработки электроэнергии газотурбинными установками, при условии их нахождения в режиме работы «генерация». Гибридный подход к задаче представляет собой последовательность (или конвейер) шагов, улучшающих результаты базового подхода с использованием правила n-сигма путем сравнения реальных данных генерации со стандартом производительности. Предлагаемый гибридный метод основывается на методах: поиска оптимальных параметров (показатели точности, полноты и F1-меры разработанного метода подбора оптимальных параметров составили 0.7, 0.7778, 0.7369 соответственно); выявления выбросов; выявления разладки с помощью эвристических правил. В качестве методов выявления выбросов, авторы используют алгоритм DBSCAN и правило n-сигм. Гибридный метод с использованием алгоритма DBSCAN выявил выбросы без ложно-положительных срабатываний по сравнению с базовым подходом. Расширенные эвристические правила для обнаружения разладок позволяют экспертам, работающим с кибер-физической системой, наиболее оперативно выявлять причину разладки за счет информации о времени сбоя и датчиках, на которых происходят сбои. Оперативное выявление причины разладки позволяет вести более точный и своевременный контроль работоспособности отдельных узлов и всей системы в целом, разработать стратегию воздействий для ремонта оборудования в кратчайшие сроки и с минимальным вмешательством в процесс (пока система не достигает критического состояния), что позволяет значительно сократить затраты на техническое обслуживание. Примеры использования демонстрируют преимущества предлагаемого метода как для синтетических, так и для реальных данных.

1. Глотов А.В., Черемисинов С.В., Щербаков М.В. Онтологическая модель риск-ориентированного управления техническим состоянием технологического оборудования. Энергия Единой Сети. 2019;3(45):76-85.

2. Jin R., Deng X., Chen X., Zhu L., Zhang J. Dynamic quality-process model in consideration of equipment degradation. Journal of Quality Technology. 2019;51(3), 217-229. DOI:10.1080/00224065.2018.1541379

3. Kazakov I.D., Shcherbakova N.L., Brebels A., Shcherbakov M.V. Accelerometer Data Based Cyber-Physical System for Training Intensity Estimation. Cyber-Physical Systems: Advances in Design & Modelling. Studies in Systems, Decision and Control. 2020;259:325-335. DOI:https://doi.org/10.1007/978-3-030-32579-4_26

4. Shcherbakov M., Brebels A., Shcherbakova N., Kamaev V., Gerget O., Devyatykh D. Outlier detection and classification in sensor data streams for proactive decision support systems. Conference on Information Technologies in Business and Industry 2016, Journal of Physics: Conference Series. 2016;803(1). DOI:http://dx.doi.org/10.1088/1742-6596/803/1/012143

5. Shen X., Fu X., Zhou C. A Combined Algorithm for Cleaning Abnormal Data of Wind Turbine Power Curve Based on Change Point Grouping Algorithm and Quartile Algorithm. IEEE Transactions on Sustainable Energy. 2019;10(1):46-54. DOI:10.1109/tste.2018.2822682

6. Letzgus S. Change-point detection in wind turbine SCADA data for robust condition monitoring with normal behaviour models. Wind Energy Science Discussions. 2020. DOI:https://doi.org/10.5194/wes-2020-38

7. Han S., Qiao Y., Yan P., Yan J., Liu Y., Li L. Wind turbine power curve modeling based on interval extreme probability density for the integration of renewable energies and electric vehicles. Renewable Energy. 2020;157:190-203. DOI:https://doi.org/10.1016/j.renene.2020.04.097

8. Celik M., Dadaser-Celik F., Dokuz A. S. Anomaly detection in temperature data using DBSCAN algorithm. 2011 International Symposium on Innovations in Intelligent Systems and Applications. 2011. DOI:https://doi.org/10.1109/INISTA.2011.5946052

9. Sheridan K., Puranik T.G., Mangortey E., Pinon-Fischer O.J., Kirby M., Mavris D.N. An Application of DBSCAN Clustering for Flight Anomaly Detection During the Approach Phase. AIAA Scitech 2020 Forum. 2020. DOI: https://doi.org/10.2514/6.2020-1851

10. Wang P., Govindarasu M. Anomaly Detection for Power System Generation Control based on Hierarchical DBSCAN. 2018 North American Power Symposium (NAPS). 2018. DOI://doi.org/10.1109/NAPS.2018.8600616