Урахування ризиків виходу з ладу обладнання є критично важливим для підвищення точності прогнозу споживання електричної енергії на промислових підприємствах. Без впровадження моделей відмов і обслуговування, прогнози часто ігнорують можливі простої, що призводить до значних похибок та економічних збитків. Одним із провідних напрямів досліджень у цій області є підходи предиктивного обслуговування, які поєднують моніторинг стану обладнання з аналітикою енергоспоживання для мінімізації незапланованих зупинок [1]. Поряд із цим дедалі ширше використовуються наукові методики «фізики відмов», які дозволяють моделювати механізми деградації компонентів і оцінювати ймовірність їх відмови на основі фізичних параметрів та навантажень.
Дослідження показують, що включення індикаторів стану обладнання (температура, вібрація, тиск тощо) до вхідного вектору моделей прогнозування дозволяє помітно знизити похибку, одночасно враховуючи вірогідність майбутньої відмови. Наприклад в роботі [1] продемонстровано, що модель предиктивного обслуговування, побудована на базі ML-алгоритмів та реального моніторингу, здатна мінімізувати незаплановані зупинки і оптимізувати енергоспоживання різного устаткування. У схожому дослідженні було запропоновано «end-to-end» метод для виявлення відмов охолоджувачів за допомогою машинного навчання, що сприяє корекції прогнозів споживання в автоматизованих системах керування будівлями [2].
Ймовірнісний підхід дозволяє передавати інформацію про невизначеність у вигляді розподілів ймовірностей. Іншим підходом може бути описаний метод прихованих марковських моделей для адаптивного прогнозування навантаження в режимі реального часу, де стани «робота»/«відмова» трактуються як приховані змінні, що оновлюються за допомогою байєсових алгоритмів [3]. Аналогічно, в галузі прогнозування аварій в електричних мережах при екстремальних погодних умовах використовуються статистичні та ансамблеві моделі, які враховують джерела невизначеності та представляють прогнози у вигляді інтервалів довіри [4].
Синергетичні методики поєднують прогноз енергоспоживання з оптимальним плануванням обслуговування та ремонту. Розроблена структура, що інтегрує стохастичні моделі деградації обладнання у рівняння змішаного цілочисельного програмування, застосовуючи методи робастної оптимізації для мінімізації вартості технічного обслуговування та втрат від простоїв [5]. Подібно до цього, оглядова стаття [6] підкреслює необхідність цілісних моделей, які поєднують фізичні знання про відмови з даними моніторингу для точного прогнозування ризиків на рівні складного устаткування.
Класичні марковські моделі, розвинуті в дослідженні [7], дозволяють враховувати імовірності відмов і відновлення компонентів, що дає змогу коригувати профіль доступності устаткування у часовому ряді споживання електричної енергії.
В контексті промислового підприємства наявна можливість збору даних з датчиків кожного критичного вузла та подальша їх передача до нейронних мереж. Тоді модель буде навчатись на історії відмов і витрат енергії, автоматично коригуючи прогноз споживання при виявленні аномалій у стані обладнання. Це дозволить планувати використання додаткових резервних джерел енергії та узгоджувати графік виробництва з ймовірністю простою.
Також доцільно використання прихованих марковських моделей, де стан обладнання кодується як прихований ланцюг, а поточні спостереження оновлюють апостеріорні ймовірності. Інтеграція цих ймовірностей у модель навантаження дає інтервальні прогнози споживання з урахуванням невизначеності в роботі устаткування. На практиці це повинно допомогти диспетчерам формувати більш стійкі плани технічного обслуговування.
Отже, усі перераховані підходи показують зниження похибки прогнозів та економічні вигоди за рахунок врахування очікуваних простоїв, що дає змогу точніше враховувати ризики та мінімізувати пов’язані з цим витрати.
Список літератури:
1. Yusuff M. Predictive Maintenance for Energy Efficiency. 2024. URL: https://www.researchgate.net/publication/385882164_Predictive_Maintenance_for_Energy_Efficiency
2. Alblooshi Q. E. Failure Prediction of Industrial Equipment Using Machine Learning. Абу-Дабі : Khalifa University, 2022. 54 с. URL: https://khazna.ku.ac.ae/ws/portalfiles/portal/19097522/file
3. Álvarez V., Mazuelas S., Lozano J. A. Probabilistic Load Forecasting Based on Adaptive Online Learning. arXiv. 2020. URL: https://doi.org/10.48550/ARXIV.2011.14721.
4. Guikema S. D. Power outage forecasting: Methods, results, and uncertainty. Safety and Reliability – Safe Societies in a Changing World. 2018. С. 2811–2816. URL: https://doi.org/10.1201/9781351174664-353.
5. J. Wiebe, I. Cecílio, і R. Misener, «Data-driven optimization of processes with degrading equipment», 2018, arXiv. doi: 10.48550/ARXIV.1810.09289.
6. K. Miller і A. Dubrawski, «System-Level Predictive Maintenance: Review of Research Literature and Gap Analysis», 2020, arXiv. doi: 10.48550/ARXIV.2005.05239.
7. R. Billinton і M. S. Grover, «Reliability evaluation in distribution and transmission systems», Proc. Inst. Electr. Eng. UK, вип. 122, вип. 5, с. 517, 1975, doi: 10.1049/piee.1975.0143.
|
Голосування 
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License
Знайшли помилку? Виділіть помилковий текст мишкою і натисніть Ctrl + Enter