Machine Learning para o diagnóstico e prognóstico no setor elétrico
Abaixo do vídeo, disponibilizamos as perguntas e respostas do webinar.
As perguntas feitas durante o webinar estão respondidas aqui!
Os dados utilizados para este estudo (slide 33) são do NREL?
Sim. O dataset da NREL (National Renewable Energy Laboratory) disponibiliza dados rotulados de ensaios do gearbox de um aerogerador.
Os datasets utilizados estão disponíveis online?
Em parte. O dataset da NREL do primeiro exemplo está disponível online. Mas é preciso entrar em contato com o laboratório para ter autorização de download. Os dados dos outros exemplos não internos e não estão disponíveis publicamente.
Foi utilizada uma estratégia supervisionada para o caso dos orbitais? O algoritmo foi treinado apenas para desbalanceamento neste caso (#2)? Ou desalinhamento também?
Sim, a estratégia foi supervisionada. Nós tínhamos dados de vibração de ensaios que executamos com a máquina da bancada saudável e também com defeitos inseridos (diferentes pesos colocados para desbalancear a máquina). E sim, neste exemplo o foco do diagnóstico foi o desbalanceamento. Porém a abordagem tem potencial para outros modos de falha tal como desalinhamento, embora não tenha sido foco do estudo mostrado.
Gostaria de saber quantos modelos de ANN geralmente são treinados antes de seguir com uma nova abordagem por ex. KNN, já que os parâmetros iniciais de uma ANN tem um grande impacto na sua exatidão e overfitting. Além disso, utilizaram outras abordagens como redes recorrentes, convolucionais, Boltzmann Machine, etc.
No exemplo citado algumas redes neurais foram treinadas, mas os resultados não foram melhores do que o KNN. Considerando o tempo limitado para otimizar e vendo estes resultados melhores em outro algoritmo, não houve necessidade de ser exaustivo no treinamento das ANN. Já outras abordagens aplicando redes neurais recorrentes ou convolucionais e Boltzmann Machine nós ainda não temos casos que possam ser publicados.
Qual ferramental (matlab, python, R, scikit-learn:, etc ..) vocês costumam utilizar?
Linguagem R para tratamento de dados e inferência estatística. Python para modelos e algoritmos de Machine Learning, usando principalmente o pacote scikit-learn.
Existe alguma aplicação com descargas parciais também?
A AQTech tem foco principalmente em vibração, entreferro e fluxo magnético, então nós ainda não aplicamos para descargas parciais. Porém é de nosso conhecimento que existem aplicações acadêmicas publicadas na literatura. Então a abordagem é aplicável, algoritmos de Machine Learning podem ser treinados com dados brutos de descargas parciais de maneira similar ao que foi mostrado nos exemplos para dados de vibração e SCADA.
Estudo (#4): Foi mencionado que o objetivo era diagnóstico. Não seria detecção de falha? Como o diagnóstico é realizado se 5 variáveis apenas foram utilizadas (temperatura ambiente, velocidade, potência, direção e outra que não recordo)? Exemplo: se o dado saiu das bandas de limite vocês conseguem acusar a causa atualmente?
No exemplo a principal função é a detecção de falhas, que é parte do diagnóstico. A indicação da causa raiz não é realizada automaticamente. Como foi mostrado, a detecção é realizada comparando os dados monitorados (máquina real) com os dados equivalentes simulados (gêmeo digital) para indicar, por exemplo, componentes aquecendo mais do que o normal. A partir destes outliers nos resíduos (real vs virtual) e cruzando os eventos com históricos de manutenção se estabelece uma correlação bem útil para a equipe de manutenção encontrar as causas da anomalia.