Город Плейфорд начинает путь к диагностическому обслуживанию с помощью машинного обучения

Вызов

«Несмотря на то, что у нас есть зрелые возможности мониторинга через нашу систему SCADA, она не может предсказать износ насоса. Мы очень хотели посмотреть, могут ли операционные данные, которыми управляет SAGE, команда SpiralData применила методы обработки данных, чтобы решить эту проблему для нас»
Крис Берджесс, менеджер по операциям, City of Playford.

Город Плейфорд владеет и управляет Playford Water для орошения 70 участков по всему Совету, включая как внутренних, так и внешних клиентов. Опираясь на предыдущее сотрудничество в области прогнозирования дросселирования, SAGE Automation и SpiralData сосредоточили свое внимание на проблеме прогнозирования износа насосов для City of Playford.

Оборотная вода распределяется по трубе длиной 70 км с помощью комбинации + 30 буровых, распределительных и подпорных насосов. Схемы управляемого пополнения водоносных горизонтов города Плейфорд включают четыре участка водно-болотных угодий, которые собирают и очищают ливневые воды, которые хранятся в подземных водоносных горизонтах и ​​приобретаются клиентами для целей орошения в летние месяцы.

Город Плейфорд в настоящее время не имеет возможности прогнозировать износ насосного оборудования. Это приводит к реактивному, а не упреждающему техническому обслуживанию, реконструкции и замене, что влияет на планирование технического обслуживания и годовой бюджет. Профилактическое обслуживание обычно приводит к экономии средств на 30–40 % по сравнению с оперативным обслуживанием и на 10–20 % по сравнению с профилактическим обслуживанием.

Стратегии обслуживания

Реактивный: устранение неполадок, задачи, выполняемые после возникновения сбоя.

Профилактические: рутинные задачи, основанные на ожидаемом сроке службы и износе с течением времени.

Predictive: мониторинг состояния для прогнозирования сбоев для своевременных задач.

Технологии

SpiralData использует передовую архитектуру IoT для машинного обучения

Архитектура IoT/ML:
— Sagemaker
— формирование озера данных
— S3
— Lambda

Алгоритмы:
- Pandas
- Numpy
- Tensorflow
- Scikit-learn

Визуализации:
- Seaborn
- Plotly Dash
- Plotly Express
- Matplotlib

Методы:
– Python, Node.js
– Обработка данных и базовые расчеты
– Визуализация, парные диаграммы, тепловые карты, корреляционные матрицы, коробчатые диаграммы, скрипичные диаграммы, анимация plots
- Алгоритмы классификации

Платформа

Лучшая в своем классе архитектура для быстрого анализа взаимосвязей устройств и алгоритмов

Данные в City of Playford записываются каждые 5 минут в их систему SCADA. SpiralData использовала этот набор данных в нашей эталонной архитектуре IoT/ML, которая была проверена в коммунальных службах, цепочках поставок, передовом производстве и других отраслях. Основные преимущества:

  • Автомасштабирование
  • Безопасный
  • Быстрый
  • Бюджетный
  • Надежный

Применив хорошо спроектированную платформу AWS к архитектуре SpiralData IoT/ML, мы сократили время получения информации для всех наших клиентов, занимающихся проблемами, подходящими для машинного обучения.

Наш встроенный инструментарий машинного обучения позволяет быстро создавать прототипы различных алгоритмов для неограниченного количества вариантов использования. Результаты можно визуализировать на информационных панелях с автоматическими оповещениями, которые можно отправлять по смс, или с помощью инструментов связи (Teams, Slack и т. д.), предоставляя комплексное решение от устройства до лица, принимающего решения.

Результаты

Гипотеза №1

Город Плейфорд: Повышение мутности будет сильно коррелировать с износом насоса.

Результат. Мутность была сезонной, но относительно стабильной в течение нескольких лет, при этом она слабо коррелировала с производительностью насоса.

Результат. Хотя износ насоса не может быть напрямую связан с мутностью, алгоритм обнаружения аномалий SpiralData может четко определять процентные изменения мутности.

Значение. При выявлении почти в режиме реального времени может возникнуть проблема со скважиной, например. песок, обесцвечивание, органические вещества в одной из скважин, компания City of Playford может предоставить своим клиентам более качественную продукцию.

Гипотеза №2

Город Плейфорд: изменения в работе насоса будут неравномерными во время износа насоса, т. е. давление останется постоянным, а частота Hz увеличится.

Результат:обнаружение данных о производительности насосной системы показало, что ключевые переменные создают кластеры для отдельных фаз, нормальное состояние насоса до износа и когда насос изнашивается до выхода из строя.

Результат: SpiralData смогла обучить алгоритм прогнозировать с точностью >95 % будущие состояния насоса, чтобы определить, нуждается ли он в техническом обслуживании.

Ценность. Благодаря раннему выявлению возможного износа насосов город Плейфорд может перейти к профилактическому обслуживанию, потенциально сэкономив до 20 % своих текущих насосных активов.

Основные результаты

  1. Автоматическое обнаружение аномалий мутности в режиме реального времени
  2. Выявленный профиль износа отдельных насосов в течение жизненного цикла их активов
  3. Потенциал для прогнозируемого снижения затрат на техническое обслуживание и другие оптимизации операций с использованием машинного обучения.

Есть ли у вашей утилиты проблемы, которые можно решить с помощью машинного обучения? Заказать звонок

SpiralData — это агентство по анализу данных с полным спектром услуг, предоставляющее стратегии данных, корпоративные технологии, науку о данных и индивидуальные решения в области искусственного интеллекта для организаций любого размера, стремящихся принимать решения на основе данных. SpiralData входит в комиссию Ассоциации местных органов власти Южной Австралии (LGAP) по схемам управления сточными водами (CWMS) в качестве предпочтительного поставщика для анализа данных. Узнайте больше о том, как SpiralData помогает создавать более разумные организации с помощью анализа данных: https://spiraldatagroup.com.au/