Detektor anomálií v dlouhodobě sledovaných datech

Kód výsledku v 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>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

čeština

Název v původním jazyce

Detektor anomálií v dlouhodobě sledovaných datech

Popis výsledku v původním jazyce

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.

Název v anglickém jazyce

Anomaly detector for long-term monitored signals

Popis výsledku anglicky

Traditional diagnostic methods, usually based on standards or manufacturers&apos; guidelines, indicate an alarm or fault when a predefined signal value, known as a threshold, is exceeded. These methods often do not take into account the specific history of a particular machine or the location of sensors. Anomaly detectors are used to detect anomalies, particularly in continuously measured signals. This detection can take into account the historical behaviour of the machine being monitored. For safe operation, it is important to be able to detect anomalies in real time and with a high degree of confidence. To do this, the monitored signals must be processed correctly, and even then the anomalies may be difficult for the supervising diagnostic personnel to detect. This is where an automatic anomaly detector can be beneficial.Anomalies can be detected in a number of ways. In particular, they can be determined from known nominal behaviour. If any part of the signal is significantly different from, for example, the mean or another statistical parameter, it can be identified as anomalous. Many detectors are based on this principle. They use the statistical properties of the signal and a detection threshold. If a given property exceeds a predetermined threshold, an anomaly is detected. The second large group are methods based on parametric models or machine learning. These methods are particularly suitable where a database of historical plant operating data is available to train the model. The model is then able to detect anomalies that might otherwise go unnoticed.The proposed procedure describes the creation and use of anomaly detectors in long-term measured signals in power plants. The general data stream used by the detector and the implementation of the detector are also described. Furthermore, parameters are proposed to enable continuous monitoring of anomalies and their detection in real time in signals measuring the level of vertical and horizontal bearing vibrations, the electrical power of the turbine-generator and the steam pressure and cooling water temperature in the main condenser. The process also specifies a method for detecting anomalies in multiple signals simultaneously - this is based on what is known as voting. The method evaluates several signals simultaneously and only if an anomaly is detected in a certain number of these signals, an alarm is generated and the operator is notified. The performance of anomaly detectors designed using this method has been verified using historical data from operations where anomalous behaviour was independently flagged by the automatic detector and then by the operator.

Druh

Z_tech - Ověřená technologie

CEP obor

—

OECD FORD obor

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

Projekt

—

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2023

Kód důvěrnosti údajů

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.

Interní identifikační kód produktu

VZU-TGZ-56-23-003

Číselná identifikace

ČEZ 4400052878

Technické parametry

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).

Ekonomické parametry

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).

Kategorie aplik. výsledku dle nákladů

—

IČO vlastníka výsledku

47718684

Název vlastníka

Výzkumný a zkušební ústav Plzeň s.r.o.

Stát vlastníka

CZ - Česká republika

Druh možnosti využití

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

Požadavek na licenční poplatek

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

Adresa www stránky s výsledkem

—