Jak předejít katastrofám v energetice? Zařízení pohlídají senzory a algoritmy z FAV

To, co monitoruje provoz v teplárnách či elektrárnách, si můžeme podle Jindřicha Lišky z výzkumného centra NTIS Fakulty aplikovaných věd představit jako pacienty na jednotce intenzivní péče: „Jsou osazeny senzory, které nepřetržitě sledují jejich životní funkce – od vibrací přes teploty a tlaky až po otáčky či posuvy. Úkolem diagnostiky přitom není jen zaznamenávat data, ale především rozpoznat v nich první známky problému.“ Tým DiagEn proto kombinuje znalost fyzikálního chování strojů s pokročilými metodami zpracování dat a strojového učení. Řešení a monitorovací moduly vyvinuté pro parní turbíny fungují na více než 50 elektrárnách po celém světě, kromě Evropy také v Asii i na obou amerických kontinentech.

Vaše systémy využíváte také v jaderné energetice. Co konkrétně dokážete monitorovat?

U primárního okruhu se zaměřujeme na bezpečnost a integritu uzavřeného systému chladicího okruhu pod vysokým tlakem a s radiací. Konkrétním příkladem je systém detekce volných částí. Pomocí sítě akcelerometrů umístěných na povrchu tlakové nádoby reaktoru či parogenerátorů dokážeme zachytit a s přesností centimetrů najít náraz uvolněného předmětu, například nýtu nebo kusu plechu, ještě než by mohl poškodit aktivní zónu nebo teplosměnné trubky. V sekundárním okruhu je srdcem technologie turbosoustrojí, které převádí tepelnou energii na elektrickou. Monitorujeme například tření rotoru o stator, takzvaný rubbing, nebo nebezpečné kmitání a namáhání oběžných lopatek parní turbíny. 

Vy osobně pracujete s pojmem doba datová. Odkazujete tak na obrovské množství dat, které máme k dispozici, ale dokážeme z nich vytěžit jen zlomek odpovídajících informací. Co s tím? 

Dnes už není problém data sledovat v podobě vývoje trendů hodnot nebo je archivovat, problém je v nich neutonout. Provoz turbíny vygeneruje za jediný den gigabajty diagnostických dat, z nichž 99 % popisuje běžný, bezproblémový stav. V týmu DiagEn na to jdeme kombinací doménové znalosti strojů a metod strojového učení. Vyvíjíme modely normálního chování stroje, který využíváme pro rozpoznání anomálního chování. Místo toho, abychom operátorovi předali množství číselných řad, předáváme mu komprimovanou informaci o anomáliích a trendech vývoje. Cílem je převést data na znalost a tu následně na správné rozhodnutí. Výstupem tak nejsou jen okamžitá varování, ale také podklady pro plánování preventivní údržby nebo odhad zbývající životnosti.  

Nejen v jaderné energetice už funguje takzvaný vzdálený monitoring. O co jde?

Vzdálený monitoring znamená, že diagnostická data z elektrárny či průmyslového závodu jsou bezpečně přenášena přes šifrované sítě do dohledového centra nebo cloudového úložiště. Odborník-diagnostik tak nemusí fyzicky stát u stroje v elektrárně na druhém konci světa. Může ze své kanceláře v režimu 24/7 sledovat stav desítek turbín naráz, provádět hloubkové analýzy a v případě nestandardního chování okamžitě konzultovat situaci s velínem elektrárny. Významně to šetří čas, náklady na cestování a umožňuje zapojit špičkové experty na daný problém prakticky okamžitě.

Z pohledu vašeho odborného zaměření, kde vidíte potenciální rizika?

Pokud jde o rizika moderní doby, vidím dvě klíčová. S rozvojem vzdálené správy v průmyslu roste riziko kybernetického útoku na diagnostické a řídicí sítě. Falešný signál nebo podvržená data by mohla vést buď k zbytečnému odstavení bloku, nebo k přehlédnutí reálné poruchy. Tomu se snažíme při aplikaci našich řešení významně předcházet. Nebezpečím dnešní doby může být také situace, kdy lidé ztrácejí vlastní inženýrský cit a fyzikální náhled na věc. Umělá inteligence je skvělý sluha, ale konečné kritické rozhodnutí musí vždy stavět na pochopení chování daného stroje.