面临的挑战
许多电厂都有关键部件配备基本的机械仪表,现场服务工程师监控操作。然而,还有许多其他未被测量的部件,因此不能监测热损失或其他异常现象。这种缺乏可见性可防止现场服务工程师在发生昂贵的计划外停机发生之前识别这些组件的问题并主动修复或更换它们。这些异常还可能导致通过热损失降低涡轮机性能的效率。
“根据使用TITAN的工厂经理,解决问题将导致一年节省约50,000美元。”
解决方案
对发电厂组件进行无创监测。配备iPhone和250美元的相机附件,现场服务工程师可以在他们进行检查时拍摄他们想要监视的各种组件的热像。使用他们的领域知识,工程师手动分类定制的Predix iOS应用程序中的初始图像集,称为用于异常通知(TITAN)的热成像工具来训练算法。为了初步建立一个完全可操作的工厂,共采集了75个组件,共有375MB的五个图像。使用加载到系统的原始图像,TITAN可以对所有未来的图像运行机器学习算法,并将其自动分类为正常或异常。
每个1MB图像上传到Predix云并存储在Predix Blobstore中。当为特定组件上传至少五张图像时,自定义分析会分析图像。用Python编写的分析使用计算机视觉和图像识别,边缘检测和维数降低来识别异常。它还可以补偿从不同角度和不同角度拍摄的图像。分析考虑每个组件最多20个图像作为历史参考。每次算法运行时,每个组件最多可以分析20MB。高达1.5GB的处理完成工厂检查。
分析结果发送给TITAN的移动应用程序,显示现场工程师的结果。如果检测到异常,用户将通过电子邮件或应用程序本身收到警报。然后他们可以检查异常图像并选择适当的动作。如果分析不运行,则会提示用户对图像进行分类。图像上的元数据和分析结果存储在Postgres DB中。
过程图突出显示TITAN中的步骤。
用户登录SSO。
用户将工厂层级导航到所需的工厂和组件。
用户拍摄组件的热像,并上传到Predix云端。
图像存储在Blobstore中。
如果为特定组件上传超过5张图像,则分析将运行。
如果分析运行,则会输出是否检测到异常。如果分析不运行,它会通知用户对图像进行分类。
如果检测到异常,则发送电子邮件给用户进行检查。
图像上的元数据和分析结果存储在Postgres DB中以及用户添加的任何更改或注释。
方案优点
使用联合循环燃气发电厂作为其第一个可用性测试现场,该团队确定了蒸汽管线中隐藏的蒸汽泄漏和锅炉皮肤的问题,从而降低了设备的生产率。根据使用TITAN的工厂经理,解决问题将导致一年节省约50,000美元。这是TITAN在工厂中的首次使用。从那时起,TITAN已经部署在六个不同的发电厂,在那里已经确定了四个问题,在解决这些问题时,将有助于工厂更有效地运行。
关于团队
这个想法最初被设想为一个hackathon项目。该团队(称为热搜寻者)由John Andrechak,Girish Modgil,Derek Overby,Amir Efrat,Markus Granofszky和Paul Rodrigue组成。该团队的成员全部来自GE电力业务,最终获得了hackathon的顶尖荣誉。