DIAGNOSTIKA V PROIZVODNIH PODJETJIH

Transcription

1 DIAGNOSTIKA V PROIZVODNIH PODJETJIH dr. Dalibor KRANJČIČ, DEM, Obrežna ulica 170, Maribor; dalibor.kranjcic@dem.si; dr. Matjaž EBERLINC, HSE, Koprska ulica 92, Ljubljana; matjaz.eberlinc@hse.si; Janez JELENKO, HSE, Koprska ulica 92, Ljubljana; janez.jelenko@hse.si; mag. Rok LESKOVEC, EIMV, Hajdrihova 2, Ljubljana; rok.leskovec@eimv.si; mag. Drago BOKAL, ELES, Hajdrihova 2, Ljubljana; drago.bokal@eles.si Povzetek Slovenski elektroenergetski sistem tvorijo proizvodnja, prenos in distribucija električne energije z osnovno nalogo zagotoviti zanesljivo in varno napajanje odjemalcev s to, v današnjem času nepogrešljivo dobrino. Sedaj so proizvodne družbe sposobne zagotavljati neprekinjeno napajanje odjemalcev prav zaradi razpršene proizvodnje v klasičnih virih (približno po tretjino električne energije proizvedemo v jedrski, tretjino v termo- in tretjino v hidroelektrarnah), kar ob normalni vodnatosti zagotavlja zadosten nivo samooskrbe z električno energijo. Uvajanje trga ter obnovljivih virov električne energije je s stališča sistema kot celote tujek, ker morajo klasične elektrarne opravljati številne dodatne naloge, to pa se odraža v zahtevnejšem načinu njihovega obratovanja (hitra in velika nihanja obremenitev, manjše število obratovalnih ur, strožje okoljske zahteve). To vse prispeva k spremembam stanja posameznih naprav, saj so te izpostavljene pogostim in nenadnim spremembam obremenitve. V tem smislu članek podaja pregled najsodobnejših metod ugotavljanja stanja proizvodnih naprav, s primernimi zgledi iz hidro in termo proizvodnih družb. Učinkovita in uspešna diagnostika pripomore k gospodarnejšemu delovanju in vzdrževanju proizvodnih naprav. Ključne besede: stanje naprav, diagnostika, diagnostična metoda, hidro-termo agregat, turbina, generator, diagnostični parametri, pregled, remont, revitalizacija, vzdrževanje po stanju, tehnologija OPC, podatkovno orientirane metode, umetna inteligenca, nevronske mreže, globoko učenje. DIAGNOSTICS IN THE PRODUCTION COMPANIES Abstract the Slovenian power system is composed of production, transmission and distribution of electrical energy, with the basic aim to provide consumers with reliable and safe power supply with electricity, being nowadays an indispensable good. Currently, the production companies are capable to provide consumers with continuity in power supply precisely because of the disperse production in the so called classical sources (nearly a third of the electrical energy is produced in nuclear power plants, third in the thermal power plants, and third in the hydropower plants), providing thus sufficient level of electrical energy self-sufficiency in the normal water accumulation conditions. The introduction of electricity market and renewable energy sources is rather a foreign concept from the perspective of the power system as a whole. That s because the classical power plants must carry out many additional tasks that are being reflected in the more demanding modes of operation (e.g. fast and large load oscillations, lower number of device operating hours, strict environmental restrictions). All the aforementioned factors contribute to significant changes in the state of individual devices, since they are being continuously exposed to frequent and sudden changes of load. In this sense, by giving examples from the hydro and thermal production companies, this paper describes the state-of-art methods used to identify the condition of the production devices. Efficient and successful diagnostics contributes to a more economical functionality and maintenance of the production devices. Keywords: state of device, diagnostics, diagnostics method, hydro-thermal aggregate, turbine, generator, diagnostics parameters, review, refurbishing, revitalization, condition based maintenance, OPC technology, data-driven methods, artificial intelligence, neural networks, deep learning. 1

2 I. UVOD Elektroenergetski sistem sodi med tehnološko najbolj razvite sisteme, kar jih je ustvarilo človeštvo. Tvorijo ga številne tehnološko zelo zahtevne naprave, ki omogočajo njegovo nemoteno delovanje. Ugotavljanje stanja naprav pa zagotavlja optimalno sprejemanje odločitev o izvajanju posameznih opravil na področju vzdrževanja. Pri tem pa ima odločilno vlogo diagnostika stanja naprav, katere naloga je opredelitev tistih dejavnikov, ki v največji meri in z največjo gotovostjo podajajo stanje obravnavane naprave. Poleg tega je diagnosticiranje naprav osnova za optimizacijo področja vzdrževanja, ker omogoča sprejemanje odločitev ob "pravem času". To pomeni, da nam diagnostika zagotavlja opredelitev stanja naprave, ko je ta še delovno sposobna, tveganja zaradi nadaljnjega obratovanja pa so tako velika, da je gospodarneje izvesti ustrezna preventivna vzdrževalna dela. Sodobna tehnika je omogočila hiter in vsestranski razvoj na tem področju in to tako pri zajemu podatkov, njihovem prenosu, skladiščenju in obdelavi. Najnovejši dosežek je uporaba namenskih sistemov za zajemanje in shranjevanje procesnih podatkov (on-line monitoring sistemi) ter podatkovno-orientiranih (ang. Data-Driven) diagnostičnih metod, ki so zasnovane na umetni inteligenci. Tovrstne tehnologije naj bi zagotavljale sprejemanje najučinkovitejših odločitev na področju vzdrževanja. V nadaljevanju so podane teoretične osnove ugotavljanja stanja naprav ter primeri izvajanja diagnostike v hidro in termo proizvodnih družbah. Poseben poudarek je namenjen najsodobnejšim tehnologijah za zajemanje in shranjevanje procesnih podatkov ter uvajanju t. i. globokega učenja (ang. Deep Learning) na področje spremljanja stanja in vzdrževanja elektrarn. II. OSNOVE UGOTAVLJANJA STANJA NAPRAV Praktično je velika večina opravil ali sistemov za zajem podatkov usmerjena v ugotavljanje stanja naprav, ki naj bi bilo izhodišče za načrtovanje in izvajanje vzdrževalnih posegov (opravil). Za razčlenitev pojmov na tem področju podajamo nekaj osnovnih definicij [1] [17]: Diagnostična metoda je postopek ugotavljanja parametrov, ki karakterizirajo delovanje posamezne naprave. Parametri se ugotavljajo na podlagi subjektivnih (predvsem s čutili) in objektivnih postopkov (meritve določenih parametrov). Diagnostika je proces določanja karakterističnih parametrov delovanja naprave ter analiza njihovih velikosti z namenom opredeljevanja stanja posamezne naprave ali skupine naprav. Stanje naprave je lastnost, ki se opredeljuje na osnovi ugotavljanja in spremljanja vrednosti karakterističnih parametrov o delovanju in vzdrževanju naprave. Pomembno vlogo pri ugotavljanju stanja naprav imajo parametri, s katerimi zajemamo tiste lastnosti, ki najbolj natančno in najbolj pogosto opredeljujejo stanje naprav. Te delimo na: osnovne: geometrijski, delovnega procesa, spremljajočih procesov; glede vpliva na proces: direktni, indirektni; glede na pogostost spreminjanja: merjeni občasno, merjeni kontinuirano; glede na obliko spreminjanja: linearni, nelinearni. spremljajočih procesov. Ustrezna izbira parametrov ter njihovo spremljanje v skladu s potrebami diagnosticiranja nam zagotavlja ugotavljanje stanja naprav ter gospodarno ravnanje z obravnavanimi sredstvi. Pri določanju pomembnih parametrov je v čim večji meri treba upoštevati objektiven način določanja prametrov, kar izključuje človeški dejavnik pri sprejemanju odločitev. Slika 1 kaže metode tehnične diagnostike, ki se najpogosteje uporabljajo v tehničnih sistemih in sodijo med objektivne metode [5]: kontrola termičnega stanja, 2

3 kontrola obrabe delov, metoda brez razstavljanja delov (neporušne metode), kontrola vibracij in jakosti zvoka, kontrola korozije, standardne kontrole števila vrtljajev, tlaka, pretoka, moči in drugih fizičnih veličin, termografija, meritve električnih veličin, fizikalno-kemijska preiskava izolacijskih olj (K+IR), plinsko kromatografska preiskava izolacijskega olja (PK), tekočinsko kromatografska preiskava izolacijskega olja (TK), preiskava mehanske trdnosti in vlažnosti papirne izolacije, podatkovno orientirane metode na osnovi umetne inteligence. METODE TEHNIČNE DIAGNOSTIKE SUBJEKTIVNE METODE FIZIKALNO-KEMIJSKE METODE (OLJE) METODA NADZORA TERMIČNEGA STANJA PLINSKO IN TEKOČINSKO KROMATOGRAFSKE (OLJE) METODA NADZORA OBRABE DELOV MEHANSKE TRDNOSTI IN VLAŽNOSTI PAPIRNE IZOL. METODA DETEKCIJE RAZPOK MERITVE METODE NADZORA VIBRACIJ IN HRUPA števila vrtljajev, tlaka, pretoka, vrtljivega momenta, moči, časa, električnih veličin idr. PODATKOVNO ORIENTIRANE METODE METODE NADZORA KOROZIJE (UMETNA INTELIGENCA) Slika 1: Metode tehnične diagnostike. V sedanjem času se uveljavlja sprotno spremljanje parametrov za diagnosticiranje stanja naprav. Ključno pri tem je, da to množico podatkov obvladuje ustrezna programska oprema primeri slednje so podani v naslednjih poglavjih. Ta mora z uporabljenimi algoritmi, ki zajemajo vse vedenje o povezavi med velikostjo opazovanih parametrov in stanjem naprave, predlagati ustrezne ukrepe in vzdrževalne posege. Prav gotovo pa bo v tej fazi 3

4 razvoja tovrstnih aplikacij pomembno vlogo igral človek, ki s svojimi bogatimi izkušnjami in lucidnostjo nadgrajuje in dopolnjuje tovrstne sisteme. III. DIAGNOSTICIRANJE PROIZVODNIH NAPRAV HIDROELEKTRARNE V letu 2014 se je v družbi Dravske elektrarne Maribor (DEM) uspešno zaključil projekt uvajanja sistema ZVAPS [18]. Ta sistem se uporablja za zajemanje, vrednotenje, analiziranje, predstavitev in shranjevanje procesnih podatkov, zbranih v hidroelektrarnah DEM in je zasnovan na tehnologiji OPC [19]. Namenjen je posredovanju procesnih podatkov strokovnim službam DEM v oblikah, ki so prijazne uporabnikom, tj. v oblikah diagramov, grafov, spletnih procesnih slik ipd. Programska orodja sistema ZVAPS se razlikujejo od programskih orodij procesnih sistemov hidroelektrarn po tem, da omogočajo nove funkcionalnosti, kot so: možnosti hkratnih analiz različno lociranih procesnih sistemov, pregledovanje uporabniških vmesnikov v spletnem brskalniku, izvažanje procesnih podatkov v standardne pisarniške programe, shranjevanje in predstavitev v želenih tekstovnih in slikovnih oblikah, povezovanje s sistemom vzdrževanja in poslovnim sistemom podjetja ipd. Delovanje sistema ZVAPS omogočajo štirje sistemski strežniki, na katerih je nameščen operacijski sistem Win Server 2012 R2, ki tečejo v navideznem okolju Microsoft Hyper-V. Na strežnikih je nameščena programska oprema podjetja GE Intelligent Platforms, ki temelji na namenski podatkovni bazi Proficy Historian. V slednjo se posredujejo procesni podatki iz naslednjih procesnih in tehničnih sistemov ter podatkovnih baz: procesni sistem Siemens PCS7, procesni sistem ABB Advant, sistem za opazovanje vibracij Bruel & Kjaer Vibro, podatkovna baza centra vodenja HSE/DEM 1, sistem za opazovanje gradbenih objektov in sistem za opazovanje stanja akumulatorskih baterij. Slika 2: Sistem, zasnovan na tehnologiji OPC, spletnih orodjih za analiziranje procesnih podatkov, matematičnem okolju Matlab/Simulink in programskem okolju Python, ki omogoča uporabo t. i. globokega učenja. V podatkovno bazo Historian se posreduje okrog procesnih meritev iz procesnih/tehnoloških sistemov osmih hidroelektrarn DEM, kar je velikanski potencial za izvajanje postopkov modeliranja in optimiziranja hidroelektrarn ter njihovega vzdrževanja po stanju (CBM ang. Condition Based Maintenance). Za doseganje tega potenciala je v letu 2016 izvedena nadgradnja sistema, ki temelji na spletnih aplikacijah za diagnostiko in vzdrževanje ter na sodobnem matematičnem okolju Matlab/Simulink [20] [23]. To okolje vsebuje izredno močno zbirko matematičnih orodij Matlab Toolboxes, namenjeno naprednim analizam in obdelavam procesnih podatkov. V navedeni zbirki orodij so tudi t. i. umetne nevronske mreže (UNM) [24] [26], ki se skupaj s tehnologijo OPC velikokrat uporabljajo na področju podatkovno-orientiranega vzdrževanja elektrarn po stanju [27] [30]. V letu 2018 je nameščeno še programsko okolje Python [31], ki podpira knjižnice, namenjene t. i. globokim nevronskim mrežam (ang. Deep Neural Networks) [32]. Slednje so najsodobnejši trend na področju umetne 1 HSE Holding Slovenske elektrarne. 4

5 inteligence in zaradi kompleksnejše zasnove so bistveno zmogljivejše od predhodnih generacij t. i. plitvih UNM (ang. Shallow Neural Networks). Z uporabo UNM so v letih 2017 in 2018 izdelani modeli za izračun moči in hitrosti turbine [33] [36]. Ti so namenjeni spletni aplikaciji, ki omogoča snemanje in grafično prikazovanje odziva primarne opreme hidroelektrarne v standardnih obratovalnih razmerah, kot so npr. zagon in zaustavitev, hitra razbremenitev z izpadom generatorskega stikala, hitra zapora ipd. Posnetke izmerjenih časovnih potekov hitrosti in moči turbine je možno kvalitativno primerjati z numeričnimi izračuni»naučenih«modelov na osnovi UNM slika 3. Treba je še poudariti, da je doslej za snemanje tovrstnih odzivov bilo treba nameščati dodatne merilne opreme, ta spletna aplikacija pa dostopa do procesnih podatkov, ki se kontinuirano shranjujejo v namensko podatkovno bazo Historian. Po opravljenem testu (npr. zagona turbine) preizkuševalec lahko v uporabniškem vmesniku spletne aplikacije sproži generiranje izbrane oblike poročila (npr. Word, Excel, PDF ipd.). Slika 3: Zgled delovanja spletne aplikacije za snemanje in grafično prikazovanje odziva primarne opreme hidroelektrarne. Opisana aplikacija za snemanje odzivov primarne opreme sodi v pilotski projekt izdelave spletnih aplikacij, ki so namenjene področju vzdrževanja po stanju (CBM) [27] [30]. Poleg tega je v postopku načrtovanja programske opreme zadnje prenovljene hidroelektrarne Fala predvidena tudi možnost spremljanja razširjenega nabora procesnih parametrov, ki so namenjeni vzdrževanju [33] [35]. Tako se po zaključeni prenovi hidroelektrarne Fala v letu 2016 spremljajo naslednji parametri: število obratovalnih ur naprav (tj. agregatov, črpalk, kompresorjev ipd.); podatki o zamašenosti; število vklopov odklopnikov; dnevno in mesečno število vklopov pogonov (npr. kompresorjev, drenažnih in obtočnih črpalk ipd.); dnevno in mesečno razmerje časa delovanja pogona in obratovanja agregata. 5

6 Slika 4: Spletna aplikacija, namenjena vzdrževanju razmerje časa delovanja drenažne črpalke in časa obratovanja agregata. Na sliki 4 je prikazana spletna aplikacija, namenjena vzdrževanju, ki omogoča dostop do procesnih podatkov na hidroelektrarni Fala. Na drugih hidroelektrarnah DEM je nabor podatkov manjši in zajema le število obratovalnih ur naprav, podatke o zamašenosti in število vklopov odklopnikov. Razširitev nabora podatkov, namenjenih vzdrževanju, je predvidena pri prenovah hidroelektrarn, ki se bodo izvajale po letu Predhodno opisane aplikacije kombinirajo v namen vzdrževanja komunikacijske tehnologije (OPC, OPC UA), spletna orodja in sodobna matematična programska okolja (tj. Matlab, Python), njihove sinergijske učinke pa je možno uporabiti tudi za simulacije in optimizacije hidroelektrarn [33] [37]. Trenutna postavitev sistema omogoča prenos podatkov med matematičnimi programskimi okolji in podatkovno bazo Historian, vendar je ta okolja možno povezati še s krovnim nadzornim sistemom, ki je center vodenja HSE/DEM. Na sliki 5 je prikazana idejna zasnova simulatorja obratovanja, ki temelji na kombinirani uporabi matematičnih okolij in sistema centra vodenja HSE/DEM Network Manager (ABB). Slednjemu se po povezavi OPC UA posredujejo podatki, ki so izračunani z modeli hidroelektrarn na osnovi UNM. Slika 5: Prikaz povezav med matematičnimi okolji (Matlab, Python), podatkovno bazo Historian in sistemom centra vodenja HSE/DEM Network Manager (ABB). Kot zgled uporabe UNM so na sliki 6 prikazani rezultati numeričnega izračuna modela za moč turbine na osnovi globoke UNM tipa LSTM (ang. Long Short-Term Memory), ki je izdelana v okolju Keras (Google) [38] osnova je programski jezik Python [31]. Navedena LSTM UNM ima dve skriti plasti, pri čemer je v vsaki 100 nevronov (tj. modulov). Za učenje UNM so uporabljeni časovni poteki, izmerjeni v normalnih obratovalnih razmerah, ki vsebujejo tipične sekvence zagonov in zaustavitev agregata št. 2 hidroelektrarne Mariborski otok, 6

7 izmerjene v obdobju med in Vhodni spremenljivki modela sta statični padec in ukaz za moč agregata, izhodna spremenljivka je dosežena moč. Slika 6: Numerični izračun z dvo-plastno globoko UNM tipa LSTM v okolju Keras (Google) hidroelektrarna Mariborski otok, IV. DIAGNOSTICIRANJE PROIZVODNIH NAPRAV TERMOELEKTRARNE V sklopu porazdeljenega informacijskega sistema HSE deluje tudi tehnološki informacijski sistem TEŠ. Njegova naloga je zagotavljanje vpogleda v delovanje elektrarne, tako na nivoju trenutnega stanja kot tudi obdobnih analiz vseh delov proizvodnje (transport premoga, proizvodne enote, priprava vode, ekologija). Vstopna točka sistema je t. i. Portal Proizvodnje, ki v enotnem spletnem okolju omogoča dostop do: trenutnega stanja procesnih sistemov preko sistema GE Proficy ifix/webspace, samodejno generiranih analitičnih poročil iz podatkov v procesnem arhivu, interaktivnega brskanja in ad-hoc analiz nad podatki iz procesnega arhiva, poročil vodij izmene (dogodki, posadke). Kot osnova za zajem podatkov je v ločenem procesnem omrežju TEŠ implementiran drugonivojski procesni nadzorni sistem na platformi GE Proficy ifix (12 SCADA strežnikov s cca merjenimi signali). Za vpogled v trenutno stanje sistema je pripravljenih cca. 500 procesnih prikazov, ki zajemajo vse dele tehnološkega procesa (sliki 7 in 8). Analitično zanimivi procesni podatki se arhivirajo v centralnem procesnem historianu namenski podatkovni bazi za optimalno arhiviranje procesnih meritev (GE Proficy Historian), ki predstavlja primarni vir podatkov za analize in poročila iz proizvodnje. 7

8 Slika 7: Vstopna stran v portal proizvodnje Slika 8: Vstopna stran v ifix Poročilni analitični sistem na platformi Artes CMACS deluje kot samodejni generator obdobnih poročil na osnovi pripravljenih predlog, ki zajemajo vsebinsko pomembne vpoglede v redno obratovanje elektrarne (dnevni bilten proizvodnje in porabe energije, emisijska dnevna poročila, sekundarna regulacija, kemijske analize vode, delovanje toplotnih postaj idr., slika 9). Dostop do informacij je omejen glede na avtorizacijo uporabnika v skladu s sodobnimi informacijskimi standardi. 8

9 Slika 9: Generiran bilten Blok 6 ima za upravljanje in vodenje bloka sistem ALSPA Controlplant DCS (slika 10). Ta izvaja funkcijo nadzora, vodenja, monitoringa in zaščite naprav. 9

10 Slika 10: Zgradba sistema ALSPA Sistem kot tak omogoča upravljanje tehnoloških procesov, vizualizacijo, spremljanje dogodkov, alarmov, arhiviranje parametrov, s prikazi v grafih, tabelah in trend krivuljah. Slike od 11 do 14 je kažejo pregled teh funkcij. Vse to v veliki meri dodatno pomaga pri odločitvah o metodah vzdrževanja posameznih naprav, oziroma prehodu k vzdrževanju naprav po stanju. Slika 11: HMI funkcije 10

11 Slika 12: Graf parametra Slika 13: Trend krivulje 11

12 Slika 14: Alarmne funkcije ALSPA sistem kot tak ne omogoča direktnega diagnosticiranja. Nabor parametrov na posameznem agregatu omogoča proučevanje stanja agregata, ki pa je preveč prepuščeno vsakemu posamezniku. Veščemu uporabniku in strokovnjaku z dovolj izkušnjami je sicer to v veliko pomoč in dovolj za določanje nadaljnjih ukrepov, ki so potrebni za nemoteno obratovanje. Vsak pomembnejši agregat ima vgrajene meritve vibracij in temperatur, kateri so prvi pokazatelj za spremembe na vitalnih delih rotirajočih strojev. Seveda so tu še ostali parametri, iz katerih je možno predvideti nadaljnje delovanje naprave, ali opreme. Ima pa ALSPA vključene tudi druge sisteme za diagnosticiranje. Eden izmed takšnih je SR1, ki spremlja stanje kotlovskih naprav. Za spremljanje stanja turbine je v uporabi sistem ALTA. Ta dva sistema predvsem spremljata življenjsko dobo turbine in kotla. Na turbini je še vključen diagnostičen sistem Bently Nevada, ki spremlja vibracije, raztezke, pomike in temperature na turbini. TEŠ ima za potrebe diagnosticiranja in neporušnih preiskav svoj oddelek. Začetki segajo v leto 1992, ko je bila nabavljena oprema za meritve na področju preiskav z ultrazvokom, trdot, temperatur in magnetnih preiskav. Tehnološke zahteve, novi pristop k izbiram metod vzdrževanja in potrebe po čim večji zanesljivosti obratovanja tehnoloških enot so v naslednjih letih narekovale razvoj na področju kontrol in analiz, ki so potrebne za spremljanje ter ugotavljanje stanja naprav in preostale dobe trajanja posameznih komponent. Oddelek izvaja naslednje naloge: UZ preiskave materialov, preiskava s penetranti, preiskava z magnetnimi delci, merjenje trdote, UZ merjenje debelin, merjenje temperatur, tlakov, sil, pretokov, vrtljajev idr., merjenje vibracij, pospeškov, odmikov, vibracijska diagnostika, frekvenčna analiza akustika, umerjanje, videoskopski pregledi. Danes ima oddelek sodobno opremljen laboratorij, kalibrirano opremo in usposobljeno osebje z bogatimi izkušnjami, ki so mednarodno certificirani v skladu z EN Preglede opravljajo po evropskih in drugih priznanih standardih. S strokovnjaki celovito pokrivajo naslednja področja: 12

13 V. nadzor v času izdelave in montaže rezervnih delov, ter spremljanje med obratovanjem, neporušne preiskave vgradnih materialov, izdelkov in delov konstrukcij, črpalk, armatur, turboagregatov, v času remonta izvajajo sistemske meritve na aktivnem delu kotla, turbinah, parovodih, armaturah in cevovodih, ugotavljajo vzroke povečanih vibracij in nepravilnosti na rotirajočih delih, vizualni pregledi (videoskop) naprav, tlačnih posod, armatur, parovodov... RAZVOJ DIAGNOSTIKE PROIZVODNIH NAPRAV V prejšnjih poglavjih so opisani praktični primeri uporabe sodobnih tehnologij za zajemanje, shranjevanje in obdelavo procesnih podatkov, iz katerih je razvidno, da temelji razvoj napredne sodobne diagnostike na sinergiji naslednjih dejavnikov: sodobni komunikacijski protokoli (npr. OPC, OPC UA, IEC ipd.); spletna orodja za grafično predstavitev procesnih podatkov; podatkovno-orientirane metode za obdelavo procesnih podatkov (npr. UNM, globoke UNM ipd.). Še posebej je treba poudariti aktualen trend uvajanja umetne inteligence oz. umetnih nevronskih mrež na področju vzdrževanja elektrarn po stanju. Tako avtorji v prispevkih [27] [30] uporabljajo UNM za določanje funkcijske odvisnosti med izhodno spremenljivko, ki določa stanje posamezne komponente/naprave, in vhodnimi spremenljivkami, za katere veljajo»predpostavke«, da vplivajo na to stanje. Na osnovi časovnih potekov vhodno/izhodnih spremenljivk, ki so posneti v določenem (daljšem) obdobju normalnega obratovanja, se UNM nauči prepoznati funkcijsko odvisnost med vhodno/izhodnimi spremenljivkami v normalnih obratovalnih razmerah. Poleg tega se v zadnjih letih dogaja še izjemen razvoj na področju globokega učenja oz. t. i. globokih UNM (ang. Deep Neural Networks) [39]. Največ sredstev razvoju navedenih mrež namenjajo vodilna svetovna spletna in računalniška podjetja: Google, Facebook, Amazon in Microsoft. Globoke UNM se največkrat uporabljajo na področju razumevanja besedil, analize govora, prepoznave slik in modeliranja časovnih vrst. Za razliko od klasičnih oz. plitvih (ang. shallow) UNM imajo te mreže več skritih plasti, zaradi česar so bistveno zmogljivejše. Primerjavo zasnove plitve in globoke UNM kaže slika 7. Slika 7: Primerjava zasnove plitve (ang. shallow) in globoke (ang. deep) umetne nevronske mreže. Trenutno so na področju globokega učenja najbolj razširjena naslednja razvojna okolja: Keras, TensorFlow (Google); PyTorch, Caffe2 (Facebook); Gluon (Microsoft, Amazon). Predvideva se, da bodo ta zmogljiva okolja pospešeno privedla do razširjene uporabe globokega učenja v vseh inženirskih panogah, npr. na področju modeliranja, optimizacijskih algoritmov, vzdrževanja ipd. 13

14 ZAKLJUČKI VI. V članku so pregledno podane teoretične osnove ugotavljanja stanja naprav ter primeri izvajanja diagnostike v hidro in termo proizvodnih družbah. Članek se osredotoča na prikaz sodobnih sistemov za zajemanje in shranjevanje procesnih podatkov in razvoj podatkovno-orientiranih metod diagnostike, ki so zasnovane na umetni inteligenci oz. umetnih nevronskih mrežah. Poseben poudarek je na opisu najsodobnejših globokih umetnih nevronskih mrež, ki ponujajo v kombinaciji s prej opisanimi sistemi za zajemanje podatkov izjemne možnosti za uporabo na številnih področjih. V mnogih spletnih virih in člankih se pojavlja slogan»globoko učenje je nova električna energija«, saj avtorji pospešen razvoj globokih nevronskih mrež primerjajo z odkritjem električne energije [40], [41]. Glede na progresiven razvoj okolij, namenjenih globokemu učenju, je mogoče napovedati, da bodo vodilna podjetja na področju diagnostike ta okolja do neke mere vključila v lastna orodja. Kljub potencialnemu razvoju tovrstnih produktov bodo sinergijski učinki matematičnih okolij, spletnih orodij in sistemov za zajemanje podatkov še vedno potrebni, saj strokovnjaki z njihovo uporabo ohranjajo izvirnost pri razvoju lastnih namenskih aplikacij. REFERENCE [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] [15] [16] [17] [18] VERMAN L.: Standardization, A New Discipline, Archon Books, SERŠEN E.: Standardizacija na programskem področju elektrotehnike v Sloveniji, 17. posvetovanje o sodobnih električnih instalacijah, ED Maribor, Radenci, 28. in 29. marec EIMV: Vzdrževanje v skupini HSE I. del: HIDROELEKTRARNE, študija št. 1672, Ljubljana, december BOKAL D., BELAK L., FERLIČ R., MARUŠA R., POLAJNER A.: Opredelitev definicij s področja ugotavljanja stanja naprav, 12. konferenca slovenskih elektroenergetikov, CIGRE ŠK C1-16, Portorož, BOKAL D., POLAJNER A., MARUŠA R., FERLIČ R., BELAK L.: Ocenjevanje stanja naprav v slovenskem prenosnem sistemu, 12. konferenca slovenskih elektroenergetikov, CIGRE ŠK C1-17, Portorož, POJMOVNIK: BOKAL D., BOKAL L., JURŠE A., ZORMAN M., MIHORKO B., OMAHEN P.: Pojmovnik s področja obratovanja in vzdrževanja distribucijskega elektroenergetskega omrežja in postrojev, EIMV, Ljubljana, JP Elektro Celje, Celje, JP Elektro Gorenjska, Kranj, JP Elektro Ljubljana, Ljubljana, JP Elektro Maribor, Maribor, JP Elektro Primorska, Nova Gorica; Ljubljana, oktober 1994 CAMPBELL J., JARDINE A.: Maintenance Excellence, Optimizing Equipment Life-Cycle Decisions, Marcel Darker, Inc. New York, Basel, Pravilnik o vzdrževanju elektroenergetskih objektov, Uradni list RS št. 98/15, ELES: Navodilo o vzdrževanju elektroenergetskih prenosnih naprav, NA K , izdaja 5 KU, Ljubljana. SIST EN 13306: 2010: Vzdrževanje Terminologija s področja vzdrževanja. SIST EN 13460: 2009: Vzdrževanje Dokumentacija za vzdrževanje. SIST EN 15341: 2007: Vzdrževanje Bistveni kazalniki učinkovitosti vzdrževanja. Uredba o vzdrževalnih delih v javno korist na področju energetike, Uradni list R Slovenije, št. 125, STS: Splošni tehniški slovar, druga izdaja, Ljubljana BOKAL D.: Vzdrževanje distribucijskega elektroenergetskega omrežja, ref. št. 1078, EIMV Ljubljana, september BOKAL D.: Vzdrževanje distribucijskega elektroenergetskega omrežja in postrojev, del II.A, ref. št. 1118, EIMV Ljubljana, april SSKJ: Slovar slovenskega knjižnega jezika, Inštitut za slovenski jezik Frana Ramovša, ZRC SAZU, Ljubljana, KRANJČIČ D.: Sistem za zajemanje, vrednotenje, analiziranje, predstavitev in shranjevanje procesnih podatkov Dravskih elektrarn Maribor, PIES Posvetovanje informatikov energetikov Slovenije, 17. in 18. november

15 [19] [20] [21] [22] [23] [24] [25] [26] [27] [28] [29] [30] [31] [32] [33] [34] [35] [36] [37] [38] [39] [40] [41] OPC Foundation The Interoperability Standard for Industrial Automation, spletni vir: KRANJČIČ D.: Uporaba tehnologije OPC in sodobnih matematičnih orodij za vzdrževanje hidroelektrarn po stanju, 12. konferenca slovenskih energetikov CIGRE, Portorož KRANJČIČ D.: The potential of OPC technology for monitoring and maintenance of hydropower plants, First South East European Regional CIGRE Conference, Portorož, Slovenia, 7 8 June KRANJČIČ D.: Digitalna tehnologija za vzdrževanje hidroelektrarn v DEM, 25. jubilejna SZKO konferenca kakovosti, Portorož, Slovenija, november KRANJČIČ D.: Napredna uporaba tehnologije OPC za vzdrževanje hidroelektrarn po stanju, 3. slovenska konferenca o vzdrževanju elektroenergetskih objektov (distribucija, prenos, proizvodnja), Nova Gorica, 15. november ROJAS R.: Neural Networks A Systematic Introduction, Springer-Verlag, Berlin, HAYKIN S.: Neural Networks and Learning Machines, Pearson Education, Inc., BEALE M. H., HAGAN M. T., DEMUTH H. B.: Neural Network Toolbox User s Guide, The MathWorks, Inc., 2017, spletni vir: SANKAVARAM C., KODALI A., PATTIPATI K., SINGH S., ZHANG Y., SALMAN M.: An Inference-based Prognostic Framework for Health Management of Automotive Systems, International Journal of Prognostics and Health Management, Vol. 7, GARCIA M. C., SANZ-BOBI M. A., J. del Pico: SIMAP: Intelligent System for Predictive Maintenance: Application to the health condition monitoring of a windturbine gearbox, Computers in Industry, Volume 57, Issue 6, August 2006, Pages MESQUITA BRANDAO R. F., BELEZA CARVALHO J. A., MACIEL BARBOSA F. P.: Neural Networks for Condition Monitoring of Wind Turbines, Modern Electric Power Systems, 2010, Wroclaw, Poland. SIMEON. A., ALVARES A. J.: A Data-Driven Framework for Predicting the Remaining Useful Life of Hydroelectric Equipments, ABCM Symposium Series in Mechatronics, Vol. 5, Python programming language, spletni vir: LISA lab, University of Montreal Deep learning tutorial, spletni vir: KRANJČIČ, D.: Praktična uporaba sodobnih matematičnih orodij in tehnologije OPC za poglobljene analize in napredno obdelavo procesnih podatkov, 13. konferenca slovenskih elektroenergetikov, Maribor, KRANJČIČ D.: The use of modern mathematical tools and OPC technology for monitoring and maintenance of hydropower plants, V: Shaping the future of hydropower. Surrey (UK) Aqua-Media International Ltd HYDRO conference, Seville, Spain, October KRANJČIČ, D.: The application of artificial neural networks models in condition monitoring of hydropower plants, 27. mednarodno posvetovanje Komunalna energetika, Maribor, maj KRANJČIČ D., ŠTUMBERGER G.: Differential evolution-based identification of the nonlinear Kaplan turbine model, IEEE transactions on energy conversion, Mar. 2014, vol. 29, Vol. 1, Pages WOOD A. J., WOLLENBERG B. F.: Power Generation, Operation, and Control, John Wiley & Sons, Inc KERAS: The Python Deep Learning Library, spletni vir: Battle of deep learning frameworks, spletni vir: Why is AI the»new electricity«, spletni vir: AI is the new electricity, spletni vir: 15