Data filtering and machine learning in frequency converter-driven pump process identification
Simola, Aleksi (2020)
Diplomityö
2020
School of Energy Systems, Sähkötekniikka
Kaikki oikeudet pidätetään.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe2020111390278
https://urn.fi/URN:NBN:fi-fe2020111390278
Tiivistelmä
Pumps consume roughly a fifth of the total energy consumed by electrical motors in the world. There exists a huge potential in pump systems for energy savings and increases in energy efficiency with using variable speed drives (VSD). VSD can provide important information on the state of the pump drive without the need for additional instrumentation. VSD also enables a more efficient control of the pump system.
Data collected using frequency converters can be used for creating and training machine learning algorithms. Raw measurement data can have environmental or statistical errors that need to be filtered out using digital filters. Machine learning algorithms can then be used for automating the remote monitoring of the pump drive, which allows detecting faults in pump performance and thus predictive maintenance.
In this thesis a pump system process identification is studied. The use of digital filters and machine learning in data processing is introduced. An algorithm is created to use VSD measurements as inputs for a pump model and to provide pump system process parameter estimations. These estimations can be used to monitor the performance and condition of the pump. The estimates can also be used to calculate the energy consumption and the distribution of the energy consumption components. A laboratory experiment was conducted to validate the operation of the algorithm. Three use cases are introduced where the algorithm is verified by testing for detecting a blockage, energy consumption distribution calculations and detecting a cyclical pattern of the pump. The data used for the use cases is provided by a Finnish pulp mill. Pumput kuluttavat arviolta viidenneksen kaikesta sähkömoottorien kuluttumasta energiasta maailmassa. Tämä mahdollistaa suuren energiansäästömahdollisuuden sekä potentiaalin kasvattaa energiatehokkuutta käyttämällä taajuusmuuttajaohjausta. Taajuusmuuttajaohjaus mahdollistaa pumpun tilan seurannan ilman lisäsensoreita sekä mahdollistaa tehokkaamman ohjauksen.
Taajuusmuuttajilta kerätty data on mahdollista käyttää koneoppimisen kehittämiseen ja kouluttamiseen. Raaka mittausdata voi kuitenki sisältää ympäristöstä johtuvia tai tilastollisia virheitä jotka tarvitsee filteröidä pois käyttäen digitaalisia filttereitä. Koneoppimisalgoritmi voidaan sitten käyttä pumppujen etäseurannan automatisointiin, mikä taas mahdollistaa virhekäyttäytymisen havaitsemisen ja sen ennakoivan huollon.
Tässä diplomityössä pumpun prosessin identifiointia tutkittiin. Digitaalisten filtterien sekä koneoppimisen periaatteita datan käsittelyssä käsiteltiin. Algoritmi kehitettiin käyttämään taajuusmuuttajalta saatavat estimaatit pumppumallin tuloina sekä tuottamaan estimaatit pumpun prosessin parametreille. Näillä estimaateilla on mahdollista tarkkailla pumpun tilaa. Estimaateilla on myös mahdollista laskea pumpun energiankulutus ja sen komponenttien jakautuminen. Laboratoriomittaus suoritettiin varmentamaan algoritmin toiminta. Kolme use casea esiteltiin joissa mitattiin algoritmin kyky tunnistaa tukos, laskea energiankulutuksen komponentit sekä havaita syklisyys pumpun prosessista. Data pumppuille saatiin suomalaiselta sellutehtaalta.
Data collected using frequency converters can be used for creating and training machine learning algorithms. Raw measurement data can have environmental or statistical errors that need to be filtered out using digital filters. Machine learning algorithms can then be used for automating the remote monitoring of the pump drive, which allows detecting faults in pump performance and thus predictive maintenance.
In this thesis a pump system process identification is studied. The use of digital filters and machine learning in data processing is introduced. An algorithm is created to use VSD measurements as inputs for a pump model and to provide pump system process parameter estimations. These estimations can be used to monitor the performance and condition of the pump. The estimates can also be used to calculate the energy consumption and the distribution of the energy consumption components. A laboratory experiment was conducted to validate the operation of the algorithm. Three use cases are introduced where the algorithm is verified by testing for detecting a blockage, energy consumption distribution calculations and detecting a cyclical pattern of the pump. The data used for the use cases is provided by a Finnish pulp mill.
Taajuusmuuttajilta kerätty data on mahdollista käyttää koneoppimisen kehittämiseen ja kouluttamiseen. Raaka mittausdata voi kuitenki sisältää ympäristöstä johtuvia tai tilastollisia virheitä jotka tarvitsee filteröidä pois käyttäen digitaalisia filttereitä. Koneoppimisalgoritmi voidaan sitten käyttä pumppujen etäseurannan automatisointiin, mikä taas mahdollistaa virhekäyttäytymisen havaitsemisen ja sen ennakoivan huollon.
Tässä diplomityössä pumpun prosessin identifiointia tutkittiin. Digitaalisten filtterien sekä koneoppimisen periaatteita datan käsittelyssä käsiteltiin. Algoritmi kehitettiin käyttämään taajuusmuuttajalta saatavat estimaatit pumppumallin tuloina sekä tuottamaan estimaatit pumpun prosessin parametreille. Näillä estimaateilla on mahdollista tarkkailla pumpun tilaa. Estimaateilla on myös mahdollista laskea pumpun energiankulutus ja sen komponenttien jakautuminen. Laboratoriomittaus suoritettiin varmentamaan algoritmin toiminta. Kolme use casea esiteltiin joissa mitattiin algoritmin kyky tunnistaa tukos, laskea energiankulutuksen komponentit sekä havaita syklisyys pumpun prosessista. Data pumppuille saatiin suomalaiselta sellutehtaalta.