TEKNILLINEN KORKEAKOULU Systeemitekniikan laboratorio Pintasääasemaverkon vikadiagnostiikkaa DADAssa Vesa Hasu
DADA? 2 Pintasääasemaverkon vikadiagnostiikkaa...
Yleistä - DADA DADA: Datafuusio- ja diagnostiikkamenetelmien kehittäminen sääasemaverkoissa Teknillinen korkeakoulu (systeemitekniikka) Ilmatieteen laitos (kaukomittausten sääsovellukset) Vaisala Työntekijät: Vesa Hasu, Reino Virrankoski (TKK), Markus Peura (IL) Kaksi pääosiota: Säähavaintojärjestelmien mittausten datafuusio ja paikallinen sääennustus Automaattisen pintasääasemaverkon kunnossapitostrategia 3 Pintasääasemaverkon vikadiagnostiikkaa...
Yleistä DADAn osiot Säähavaintojärjestelmien mittausten datafuusio ja paikallinen sääennustus Konvektiivisten rajuilmojen diagnosointialgoritmien kehittäminen eri havaintojärjestelmille Eri havaintolähteiden suureiden ja käsitteellisten mallien datafuusio Lyhyen aikavälin ekstrapolointimenetelmien kehittäminen konvektiivisille ilmiöille Automaattisen pintasääasemaverkon kunnossapitostrategia Sääasemien virhetilanteiden tunnistus Soveltuvien vikadiagnostiikkamenetelmien kehittäminen Sääasemien virhetilanteiden luokittelu, eliniän arviointi ja huoltotarpeen määrittely Huoltostrategian suunnittelu 4 Pintasääasemaverkon vikadiagnostiikkaa...
Vikadiagnostiikan motivointia Uusissa sääasemaverkoissa vikadiagnostiikan tarve kasvaa mittaukset voivat olla 10 tiheämmässä mittausasemia voi olla 100-kertaisesti mittaukset voivat tapahtua ajallisesti entistä tiheämmin Mittausten oikeellisuuden ja antureiden kunnon analysoinnissa tarvitaan apuvälineitä Tilaus automaattiselle vikadiagnostiikalle 5 Pintasääasemaverkon vikadiagnostiikkaa...
Automaattinen viantunnistus Viantunnistus perustuu rekursiivisesti päivitettävien aikasarjamallien ja Kalmansuodattimien käyttöön mittausresiduaalin muodostamiseksi Sopii etenkin kohinalle ja yksittäisille mittausvirheille Mittausten liputus pääpiirteittäin: 6 Pintasääasemaverkon vikadiagnostiikkaa...
Residuaalin generointi Aikasarjamallien päivitys rekursiivisella pienimmän neliösumman mallilla aikasarjamalli mahdollistaa myös puuttuvien mittausten arvioinnin Mittauksen suodattaminen Kalman-suodattimen avulla varianssien arviointi myös rekursiivisesti aikasarjamallin opetuksen unohduskerroin vaikuttaa suodatuksen voimakkuuteen Vaikeus: mittausvirheen ja sääilmiön erottaminen 7 Pintasääasemaverkon vikadiagnostiikkaa...
Esimerkki: Mittausvirhe/sääilmiö Svartviken A-asema, syyskuu 2005, ilmanpaine 1007 Svartviken 1006 Barometric pressure (hpa) 1005 1004 1003 1002 1001 1000 7100 7120 7140 7160 7180 7200 7220 7240 7260 7280 Iteration (5 min) 8 Pintasääasemaverkon vikadiagnostiikkaa...
Rekursiivinen hälytysraja Hälytysrajana kolme kertaa residuaalin keskihajonta n. 99,7 % mittauksista pitäisi olla rajojen sisäpuolella residuaalin ollessa normaalijakautunut Hälytysrajat riippuvat voivat riippua kellonajasta esimerkiksi lämpötilan residualin varianssi riippuu auringon säteilyn määrästä rekursiivinen residuaalin varianssin arviointi jokaiselle kellonajalle 5 minuutin mittausväli 288 pisteen jakso tasoitus ajan suuntaan 9 Pintasääasemaverkon vikadiagnostiikkaa...
Jatkokehittelyä Mietintämyssyn alla: onko 3σ-raja tarpeeksi suuri nyt virherajan ylityksiä tulee liikaa kellonajasta riippuvissa virherajoissa deterministisen komponentin mukaanottaminen auringon korkeuskulman muodossa Muiden virhetyyppien tunnistus, kuten harha (bias) tai ryömintä (drift) Ideana vertailla naapureihin ja omiin tilastollisiin tunnuslukuihin saadaan tarkasteltua sekä tilallisen että ajallisen komponentin mukaan Auttaa myös sääilmiöiden ja mittausvirheiden erottelussa 10 Pintasääasemaverkon vikadiagnostiikkaa...
Esimerkki: Hälytysrajat Juhanilan A-asema, kesäkuu 2005, lämpötilan residuaali 1 Residual 3σ -threshold 0.5 Residual ( o C) 0-0.5-1 0 500 1000 1500 2000 Iteration (5 min) 11 Pintasääasemaverkon vikadiagnostiikkaa...
Esimerkki: Hälytysrajat Juhanilan asemat, elokuu 2005, ilmanpaine Juhanila A 1020 1015 hpa 1010 Ennustevirhe (hpa) 1005 1000 0.4 0.2 0-0.2 0 1000 2000 3000 4000 5000 6000 1010 7000 8000-0.4 0 1000 2000 3000 4000 5000 0.4 6000 7000 8000 Iteraatio 0.2 hpa Ennustevirhe (hpa) 1005 1000 995 990 Juhanila B 985 0 1000 2000 3000 4000 5000 6000 7000 8000 0-0.2-0.4 0 1000 2000 3000 4000 5000 6000 7000 8000 Iteraatio 12 Pintasääasemaverkon vikadiagnostiikkaa...
Automaattisen viantunnistuksen ominaisuuksia Helpoimmat yksittäiset virheet saadaan kiinni perinteisemmin raja-arvoilla mittausten absoluuttisille arvoille peräkkäisten mittausten eroille Sääolojen ja mittausvirheiden erotus kattavaa dataa ei vielä ole (kiitos hyvin toimivien antureiden) Pysyvämmät kohinat saadaan kiinni residuaalin tilastollisten ominaisuuksien avulla Päästään kiinni anturin elinkaareen 13 Pintasääasemaverkon vikadiagnostiikkaa...
Esimerkki kuntoindeksistä Juhanilan asemat, kesä-syyskuu 2005, lämpötila 30 Measurement 1 30 Measurement 2 20 20 10 10 0 0 0.5 1 1.5 2 2.5 3 x 10 4 1 0-1 0 0.5 1 1.5 2 2.5 3 x 10 4 0 0 0.5 1 1.5 2 2.5 3 x 10 4 4 2 0-2 -4 0 0.5 1 1.5 2 2.5 3 x 10 4 14 Pintasääasemaverkon vikadiagnostiikkaa...
Anturin elinkaaresta Anturin vikaantumista tulee seurata ja pyrkiä päättelemään vian laatu Vika pysyvä vai ohimenevä? Onko mittauksesta hyötyä vai onko se käyttökelvoton? Elinkaariajattelusta apua huollon suunnitteluun: Tarvitaanko huolto nopeasti vai voiko se odottaa? Riittääkö nopea huolto paikalla vai pitääkö anturi vaihtaa? 15 Pintasääasemaverkon vikadiagnostiikkaa...
Yhteenvetoa Automaattisella vikadiagnostiikalla on tekninen tilaus laajenevissa mittausverkoissa Vikadiagnostiikalla tulee olla kaksi päätavoitetta yksittäisten mittausten tarkastelu päästä kiinni antureiden elinkaaren kautta asemien huoltostrategiaan Pystytään lisäämään mittausten luotettavuutta ja saavuttamaan säästöjä ylläpidossa 16 Pintasääasemaverkon vikadiagnostiikkaa...