Hé! Pumping állomások szállítójaként rendszeresen foglalkoztam az ezekből az állomásokból gyűjtött adatokkal. Ezen adatok elemzése elengedhetetlen a pumpáló állomások hatékony és megbízható működésének biztosításához. Ebben a blogban megosztom veled, hogyan elemezem a szivattyúállomásról összegyűjtött adatok elemzését.
1. adatgyűjtés és megértés
Először is, be kell gyűjtenünk a megfelelő adatokat. Egy szivattyúállomáson általában az adatpontok széles skáláját gyűjtjük. Ez magában foglalja az áramlási sebességeket, a nyomásszintet, a szivattyú motoros energiafogyasztását, a motorok és a szivattyúk hőmérsékletét, valamint a különféle alkatrészek, például szelepek működési állapotát.
Különböző érzékelőket és megfigyelő eszközöket használunk ezen adatok gyűjtéséhez. Például az áramlási mérőket használják a szivattyúkon átfolyó vízmennyiség mérésére, míg a nyomásérzékelők szemmel tartják a nyomást a rendszer különböző pontjain. Ezeket az adatokat ezután továbbítják egy központi vezérlőrendszerbe, ahol azt további elemzés céljából tárolják.
Mielőtt belemerülne az elemzésbe, fontos megérteni, hogy az egyes adatpontok mit képviselnek, és hogyan kapcsolódik a szivattyúzó állomás általános működéséhez. Például a szivattyúmotor energiafogyasztásának hirtelen növekedése jelezheti a szivattyú problémáját, például egy eltömődött járókeréket vagy egy kopott csapágyat.
2. Adattisztítás
Miután megkaptuk az adatokat, ritkán tökéletes állapotban van. Lehet, hogy hiányoznak az értékek, a kiugró vagy a helytelen bejegyzések. Tehát a következő lépés az adattisztítás.
Hiányzó értékek fordulhatnak elő az érzékelő hibás működése vagy kommunikációs hibák miatt. Van néhány módszerünk, hogy kezeljük őket. Időnként interpolációs módszereket használhatunk a hiányzó értékek becslésére a környező adatpontok alapján. Például, ha egy bizonyos időpontban hiányozunk az áramlási sebesség értéke, akkor az áramlási sebesség átlagát közvetlenül az idő előtt és azt követően kiszámolhatjuk.
A túlmutatók olyan adatpontok, amelyek jelentősen különböznek az adatok többi részétől. Ezeket az érzékelő hibák vagy ideiglenes zavarok okozhatják a szivattyúállomáson. Azonosítást azonosítunk olyan statisztikai módszerekkel, mint az inter -kvartilis tartomány. Miután azonosítottuk őket, el kell döntenünk, hogy eltávolítjuk -e őket, vagy kijavítjuk őket. Ha egy kifelé egyértelműen az érzékelő hiba, akkor eltávolíthatjuk azt az adatkészletből.
3. leíró elemzés
Az adatok megtisztítása után a leíró elemzéssel kezdjük. Ez magában foglalja az alapvető statisztikák, például az átlag, a medián, az üzemmód, a szórás és az egyes adatváltozók tartományának kiszámítását.
Például, ha egy adott időszak alatt az áramlási sebességeket vizsgáljuk, akkor az átlagos áramlási sebesség kiszámítása képet ad nekünk a szivattyúzás átlagos vízmennyiségéről. A szórás megmutatja nekünk, hogy az áramlási sebességek mennyire változnak az átlagtól. A magas szórás jelezheti a szivattyúk következetlen működését.
Készítünk olyan vizualizációkat is, mint a hisztogramok, a sávdiagramok és a vonaldiagramok, hogy jobban megértsük az adatok eloszlását. A szivattyú motoros energiafogyasztásának egy sor grafikonja megmutathatja az amerikai tendenciákat, például hogy az energiafogyasztás folyamatosan növekszik -e vagy csökken -e. Ez segíthet nekünk a problémák korai jeleinek felismerésében, mint például egy szivattyú, amely a normálnál keményebben kezd.
4. Trend -elemzés
A trendelemzés egy hatékony eszköz a szivattyúállomás jövőbeli viselkedésének előrejelzésére. Megvizsgáljuk, hogy az adatok hogyan változnak az idő múlásával. Például, ha észrevesszük, hogy a szivattyú rendszerben a nyomás fokozatosan növekszik több hét alatt, ez a csövekben lévő elzáródás jele vagy a szivattyú járókerékének problémája lehet.
Használhatjuk a regressziós elemzést a trendek modellezésére. Egyszerű lineáris regresszió akkor használható, ha a két változó között lineáris kapcsolat van, például a szivattyú sebessége és az áramlási sebesség közötti kapcsolat. A bonyolultabb regressziós modellek használhatók nem lineáris kapcsolatokhoz.
A trendek azonosításával előre megtervezhetjük a karbantartást és a frissítéseket. Például, ha látjuk, hogy a szivattyú hatékonysága folyamatosan csökken, akkor ütemezhetjük a karbantartási ellenőrzést, mielőtt az teljesen meghibásodik.
5. korrelációs elemzés
A korrelációs elemzés segít megérteni a különböző adatváltozók közötti kapcsolatokat. Szeretnénk tudni, hogy az egyik változó változásai összefüggenek -e egy másik változó változásával.
Például van -e összefüggés a szivattyú motoros energiafogyasztása és az áramlási sebesség között? Ha erős pozitív korreláció van, ez azt jelenti, hogy az áramlási sebesség növekedésével az energiafogyasztás is növekszik, ami a normál üzemeltetési szivattyúban várható. Ha azonban váratlan korrelációt találunk, mint például az energiafogyasztás és az áramlási sebesség közötti negatív korrelációt, akkor ez jelezheti a szivattyúval vagy a vezérlőrendszerrel kapcsolatos problémát.
A korrelációs együtthatókat, például a Pearson korrelációs együtthatóját használjuk, hogy megmérjük a két változó közötti kapcsolat erősségét és irányát. A +1 -hez közeli érték erős pozitív korrelációt jelez, az 1 -hez közeli érték erős negatív korrelációt jelez, és a 0 -hoz közeli érték csak kevés vagy egyáltalán nem jelzi a korrelációt.
6. rendellenesség kimutatása
Az anomália észlelése az adatpontok vagy minták megtalálásáról szól, amelyek eltérnek a szivattyúállomás normál viselkedésétől. Ezek a rendellenességek lehetnek a berendezés meghibásodásainak, szivárgásainak vagy más kérdéseknek a korai mutatói.
Az anomáliák észlelésének egyik módja az, ha az egyes adatváltozók küszöbértékeit beállítják. Például, ha a szivattyúmotor normál üzemi hőmérséklete 50 ° C és 70 ° C között van, akkor a 70 ° C feletti vagy 50 ° C feletti hőmérséklet -leolvasás anomáliaként jelölhető meg.
Használhatunk gépi - tanulási algoritmusokat is a fejlettebb anomáliák észleléséhez. Ezek az algoritmusok megtanulhatják az adatok normál mintáit, majd azonosíthatják az eltéréseket e mintáktól. Például egy klaszterezési algoritmus hasonló adatpontokat csoportosíthat, és minden olyan adatpont, amely nem illeszkedik a klaszterekbe, rendellenességnek tekinthető.
7. Gyökér -ok elemzés
Miután kimutattunk egy rendellenességet vagy problémát a szivattyúállomáson, a következő lépés a kiváltó ok -elemzés. Meg akarjuk tudni, mi okozza a problémát.
Először az összes kapcsolódó adatváltozót vizsgáljuk meg. Például, ha egy szivattyú hirtelen abbahagyta a működését, akkor a szivattyú leállása előtt megvizsgáljuk az energiafogyasztást, a nyomásszintet és az áramlási sebességeket. Ellenőrizhetjük a vezérlőrendszer és minden más alkatrész állapotát is, amelyek kapcsolódhatnak a szivattyú működéséhez.
Olyan technikákat alkalmazunk, mint az 5 Whys módszer, ahol többször megkérdezzük a "miért" a probléma kiváltó okához. Például, ha a szivattyú áramkimaradás miatt leállt, akkor megkérdezzük, miért volt áramszünet. A hibás megszakító, a terület áramkimaradása vagy a szivattyú elektromos rendszerének problémája miatt volt -e?
8. Az elemzési eredmények felhasználásával
Az utolsó lépés az elemzési eredmények felhasználása a megalapozott döntések meghozatalához. Ha az adatelemzés azt mutatja, hogy a szivattyú nem hatékonyan működik, akkor dönthetünk úgy, hogy javítsuk vagy cseréljük. Ha észlelünk egy potenciális szivárgást a rendszerben, akkor ütemezhetjük a karbantartó csoportot, hogy ellenőrizzék és javítsák meg.
Az elemzési eredményeket is felhasználhatjuk a szivattyúzó állomás működésének optimalizálására. Például, ha úgy találjuk, hogy a szivattyúk a szükségesnél nagyobb sebességgel működnek, akkor a szivattyú sebességét beállíthatjuk az energiafogyasztás csökkentése érdekében a szükséges áramlási sebesség feláldozása nélkül.
Mint beszállítóIntegrált vízellátó szivattyú állomás,Integrált tengelyirányú áramlási szivattyú állomás, ésIntegrált elfogó szivattyú állomás, Megértem a magas színvonalú szivattyúállomások és a megbízható adatelemzési szolgáltatások nyújtásának fontosságát. Ha egy pumpálóállomás piacán vagy segítségre van szüksége a meglévő szivattyúzóállomás adatainak elemzésében, ne habozzon elérni. Azért vagyunk itt, hogy segítsünk Önnek a szivattyúzórendszerek zökkenőmentes és hatékony működésének biztosításában.
Referenciák
- Montgomery, DC, Peck, EA és Vining, GG (2012). Bevezetés a lineáris regressziós elemzéshez. Wiley.
- Han, J., Kamber, M., és Pei, J. (2011). Adatbányászat: fogalmak és technikák. Elsevier.
- ISO 9906: 2012. Rotodinamikai szivattyúk - Hidraulikus teljesítmény -elfogadási tesztek - 1. és 2. fokozat.