Anomaly detector for long-term monitored signals

Result code in IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F47718684%3A_____%2F23%3A10001716" target="_blank" >RIV/47718684:_____/23:10001716 - isvavai.cz</a>

Result on the web

—

DOI - Digital Object Identifier

—

Result language

čeština

Original language name

Detektor anomálií v dlouhodobě sledovaných datech

Original language description

Běžné diagnostické metody vycházející většinou z norem či od výrobce zařízení signalizují výstrahu nebo poruchu, když se překročí určitá stanovená hranice, známá jako prahová hodnota. Tyto postupy často nedokážou zohlednit specifickou historii konkrétního zařízení nebo polohu snímačů. Detektory anomálií slouží pro detekci anomálií zejména v kontinuálně měřených signálech. Tato detekce může zohledňovat historické chování daného zařízení. Pro bezpečný provoz je pak důležité umět anomálie detekovat rychle (on-line) a s vysokou mírou spolehlivosti. K tomu je potřeba sledované signály korektně zpracovat, a i tak je možné, že budou anomálie pro dohlížejícího diagnostika obtížně detekovatelné. V tom mohou pomoci automatické detektory anomálií.Anomálie lze detekovat několika způsoby. Zejména je lze určit ze známého nominálního chování v minulosti. Pokud se nějaká část v signálu výrazně odlišuje např. od průměru nebo jiného statistického parametru signálu, je možné ji označit za anomálii. Na tomto principu je založena jedna velká část detektorů. Využívají statistické vlastnosti signálu a indikační prahovou hodnotu. Pokud daná vlastnost překročí předem určenou prahovou hodnotu, je detekována anomálie. Druhou velkou skupinou jsou metody založené na parametrických modelech nebo strojovém učení. Tyto metody se hodí zejména tam, kde je k natrénování modelu dostupná databáze historických dat z provozu zařízení. Model je pak schopen odhalit takové anomálie, které by jinak mohly zůstat nepovšimnuty.Tento technologický postup popisuje vytvoření a použití detektorů anomálií v dlouhodobě měřených signálech v energetických provozech. Je popsán obecný datový tok využitý detektor a implementace detektoru. Dále jsou navrženy parametry umožňující kontinuální sledování anomálií a jejich detekci v reálním čase v signálech popisujících úroveň vertikálních a horizontálních ložiskových vibrací, činný výkon turbosoustrojí a tlak páry a teplotu chladicí vody hlavním kondenzátoru. Technologický postup dále stanovuje způsob detekování anomálií na více signálech současně - jedná se o tzv. princip hlasování, kdy jsou monitorovány určité skupiny signálů. Teprve v případě, kdy je anomálie detekována na určitém počtu těchto signálů, je vygenerována výstraha a upozorněna obsluha. Funkčnost detektorů anomálií navržených podle tohoto postupu byla ověřena na historických datech z provozu, kde bylo anomální chování nezávisle označeno automatickým detektorem a poté obsluhou.

Czech name

Detektor anomálií v dlouhodobě sledovaných datech

Czech description

Běžné diagnostické metody vycházející většinou z norem či od výrobce zařízení signalizují výstrahu nebo poruchu, když se překročí určitá stanovená hranice, známá jako prahová hodnota. Tyto postupy často nedokážou zohlednit specifickou historii konkrétního zařízení nebo polohu snímačů. Detektory anomálií slouží pro detekci anomálií zejména v kontinuálně měřených signálech. Tato detekce může zohledňovat historické chování daného zařízení. Pro bezpečný provoz je pak důležité umět anomálie detekovat rychle (on-line) a s vysokou mírou spolehlivosti. K tomu je potřeba sledované signály korektně zpracovat, a i tak je možné, že budou anomálie pro dohlížejícího diagnostika obtížně detekovatelné. V tom mohou pomoci automatické detektory anomálií.Anomálie lze detekovat několika způsoby. Zejména je lze určit ze známého nominálního chování v minulosti. Pokud se nějaká část v signálu výrazně odlišuje např. od průměru nebo jiného statistického parametru signálu, je možné ji označit za anomálii. Na tomto principu je založena jedna velká část detektorů. Využívají statistické vlastnosti signálu a indikační prahovou hodnotu. Pokud daná vlastnost překročí předem určenou prahovou hodnotu, je detekována anomálie. Druhou velkou skupinou jsou metody založené na parametrických modelech nebo strojovém učení. Tyto metody se hodí zejména tam, kde je k natrénování modelu dostupná databáze historických dat z provozu zařízení. Model je pak schopen odhalit takové anomálie, které by jinak mohly zůstat nepovšimnuty.Tento technologický postup popisuje vytvoření a použití detektorů anomálií v dlouhodobě měřených signálech v energetických provozech. Je popsán obecný datový tok využitý detektor a implementace detektoru. Dále jsou navrženy parametry umožňující kontinuální sledování anomálií a jejich detekci v reálním čase v signálech popisujících úroveň vertikálních a horizontálních ložiskových vibrací, činný výkon turbosoustrojí a tlak páry a teplotu chladicí vody hlavním kondenzátoru. Technologický postup dále stanovuje způsob detekování anomálií na více signálech současně - jedná se o tzv. princip hlasování, kdy jsou monitorovány určité skupiny signálů. Teprve v případě, kdy je anomálie detekována na určitém počtu těchto signálů, je vygenerována výstraha a upozorněna obsluha. Funkčnost detektorů anomálií navržených podle tohoto postupu byla ověřena na historických datech z provozu, kde bylo anomální chování nezávisle označeno automatickým detektorem a poté obsluhou.

Type

Z_tech - Verified technology

CEP classification

—

OECD FORD branch

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Project

—

Continuities

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Publication year

2023

Confidentiality

C - Předmět řešení projektu podléhá obchodnímu tajemství (§ 504 Občanského zákoníku), ale název projektu, cíle projektu a u ukončeného nebo zastaveného projektu zhodnocení výsledku řešení projektu (údaje P03, P04, P15, P19, P29, PN8) dodané do CEP, jsou upraveny tak, aby byly zveřejnitelné.

Internal product ID

VZU-TGZ-56-23-003

Numerical identification

ČEZ 4400052878

Technical parameters

Detektor anomálií analyzuje segment signálu o délce až 12 hodin, kde poslední vzorek analyzovaného segmentu je poslední naměřený vzorek monitorovaného signálu. V případě, že je (s předem definovaným časovým odstupem) změřen nový vzorek, vygeneruje se nový segment, což umožňuje fungování detektoru v reálném čase. Anomální chování signálu v analyzovaném segmentu je pak posuzováno na základě dvou kritérií: první kritérium sleduje, zda se vzorky nachází v pásmu kolem střední hodnoty signálu, druhé kritérium pak určuje pevně dané hodnoty signálů, které vycházejí z provozních předpisů zařízení, norem, nebo fyzikálních principů popisujících fungování zařízení. Pro detekci anomálie postačuje splnění alespoň jednoho z těchto kritérií. Technologický postup stanovuje parametry uvedených kritérií pro signály popisující úroveň vertikálních a horizontálních ložiskových vibrací, činný výkon turbosoustrojí a tlak páry a teplotu chladicí vody hlavním kondenzátoru. Technologický postup rovněž popisuje, jakým způsobem detektory anomálií získávají data a jak komunikují vlastní výsledky. Konkrétně pro nasazení na datové infrastruktuře ČEZ jsou data ze senzorů přenášena do Centrálního úložiště technologických dat (CÚTD), odtud jsou přenesena na server Azure. Na serveru jsou signály roztřízeny mezi jednotlivé detektory a časová data jsou vyhodnocena. Je-li detekována anomálie, je vrácena zpět do CUTD, kde se je možné jí zobrazit jako logický signál. Využití výsledku konkrétním subjektem: Výsledek byl ověřen dne 21. 12. 2023 v rámci plnění objednávky ČEZ 4400052878 „Technická pomoc v oblasti datové vědy na turbogenerátoru a jiných zařízeních“. Objednatel ČEZ, a.s., Duhová 1444/2, 140 00 Praha, IČO: 45274649. Objednávka ze dne 8. 11. 2021, termín plnění: 1.1. 2022 - 31. 12. 2023. Kontaktní osoba ve věcech technických: Ing. Jaroslav Moule, vedoucí skupiny Diagnostika JE (Temelínská elektrárna, 375 01 Temelín, e-mail: jaroslav.moule@cez.cz). Pro účely ověření postupu bylo vybráno 18 signálů, nyní je sledování anomálií s využitím uvedeného postupu zaváděno do informační a datové infrastruktury ČEZ, a.s. Po zavedení bude moci detektory anomálií sledovat jakýkoliv zaměstnance ČEZ, a.s. s přístupem k softwaru PI Vision, který slouží pro online zobrazení dat ukládaných do Centrálního úložiště technologických dat (CÚTD).

Economical parameters

Ekonomické přínosy pro uživatele výsledku: Výsledek umožňuje automatizovat některé úkony spojené s monitorování stavu systémů strojů. Tato automatizace šetří čas kvalifikovaného personálu (diagnostika) v míře až 1 hodinu na sledovaný signál a měsíc. Při sledování většího množství signálů je míra úspory na signál nižší, protože diagnostik obvykle kontroluje více signálů najednou. Ekonomické přínosy pro vlastníka výsledku: Plnění v rámci objednávky ČEZ 4400052878 „Technická pomoc v oblasti datové vědy na turbogenerátoru a jiných zařízeních“, viz pole R37. Hodnota plnění mezi 500 tis. a 1 mil Kč (přesná částka podléhá obchodnímu tajemství).

Application category by cost

—

Owner IČO

47718684

Owner name

Výzkumný a zkušební ústav Plzeň s.r.o.

Owner country

CZ - CZECH REPUBLIC

Usage type

P - Využití výsledku jiným subjektem je v některých případech možné bez nabytí licence

Licence fee requirement

Z - Poskytovatel licence na výsledek nepožaduje v některých případech licenční poplatek

Web page

—