Diagnostyka

Czy ruchowiec potrzebuje wróżenia ze szklanej kuli?

By  | 

Wiele ostatnio słyszy się o sztucznej inteligencji oraz intrenecie rzeczy w przemyśle. To popularne hasła podnoszone na konferencjach poświęconych czwartej rewolucji przemysłowej. Czy to szum marketingowy firm informatycznych sprzedających chmurę, czy może jest w tym jednak jakaś wartość? Popatrzmy na to zagadnienie z perspektywy kosztów i korzyści dla służb utrzymania ruchu (SUR).

Podstawowym celem SUR jest utrzymanie infrastruktury produkcyjnej w należytym stanie technicznym i zapewnianie ciągłości produkcji. Typowe zadania to raportowanie i analiza występujących awarii, okresowe przeglądy i badania stanu technicznego infrastruktury oraz planowanie i przeprowadzanie remontów. O ile polityka remontowa jest realizowana w oparciu o narzędzia klasy ERP, o tyle obszar monitorowania i analizy awarii to wciąż domena ręcznie przygotowywanych raportów w Excel’u. Zdarzają się coraz częściej firmy, które stosują systemy SCADA lub historiany jako narzędzia wspomagające. Nadal jednak poruszamy się w obszarze reakcji na występujące awarie. Z biznesowego punktu widzenia, minimalizacja ryzyka utraty ciągłości produkcji, wiąże się z zapewnieniem odpowiedniego magazynu części zapasowych – sporym, często niepotrzebnym kosztem. Skutki braku przygotowania na nieprzewidzianą awarię mogliśmy obserwować w maju tego roku na przykładzie gdańskiej przepompowni ścieków, której naprawę przez kilka dni śledziła cała Polska.

Co możemy zrobić?

  • Zabezpieczyć się na wszelkie możliwe i niemożliwe sytuacje zapewniając ludzi, sprzęt i materiały – ogromne koszty, nie znam CFO, które by je zaakceptował.
  • Ubezpieczyć się – co pokryje w jakimś stopniu koszty, choć część strat może być nieodwracalna.
  • Zaopatrzyć ruchowca w tytułową „szklaną kulę”, czyli skuteczniej analizować zebrane dane i wprowadzić mechanizmy predykcji – warto rozważyć możliwości, koszty i korzyści.

Predykcja predykcji nierówna, czyli scenariusze wykorzystania data science w utrzymaniu ruchu w praktyce.

Zastanówmy się jak podejść do zmiany modelu pracy z reaktywnej na proaktywną. Korzyści biznesowe są oczywiste – skuteczniejsze planowanie remontów i zapasów części, obniżenie ryzyka i kosztów nieplanowanego przestoju, dodatkowo wzrost efektywności produkcji i obniżenie energochłonności. Pytanie, jak to wygląda z kosztami i wysiłkiem związanym z przeprowadzeniem skomplikowanego projektu z pogranicza automatyki i informatyki oraz samym wprowadzeniem zmiany w organizacji. Tutaj możemy mieć dwa podejścia.

Pierwsze to centralny system zbierania danych (historian) oraz monitorowania stanu infrastruktury (SCADA dla SUR) uzupełniony zaawansowanymi modelami data science: korelacja, analiza i predykcja danych – bardzo skuteczne, holistyczne podejście dające wiele możliwości i korzyści. Jest to zazwyczaj skomplikowany projekt, dobry dla dojrzałych, przygotowanych procesowo organizacji i wymaga wstępnej analizy oraz konsultingu w zakresie procesów utrzymania ruchu i zarządzania produkcją. Największą przeszkodą jest brak danych historycznych wystarczającej jakości. Często, po wstępnym określeniu celów i wizji kompletnego systemu, realizujemy takie projekty dzieląc je na obszary i wprowadzając usprawnienia etapami jako zamknięte całości. Przykładem takiego podejścia może być System SAURON zapewniający w kopalniach JSW S.A. kompleksowe utrzymanie ruchu wzbogacone o predykcję krytycznych procesów, instalacji i urządzeń.

Firmy zainteresowane zapoznaniem się z tym przypadkiem jednego z największych i najnowocześniejszych systemów utrzymania ruchu w Polsce oraz bezpłatnymi konsultacjami zapraszamy do kontaktu (sur@rednt.eu).

Sposób w jaki data science może wesprzeć pracę operatorów SCADA jest bardzo interesującym tematem na oddzielny artykuł.

Drugie podejście polega na zdefiniowaniu krytycznych elementów systemów ze względu na wysokie ryzyko awarii lub wpływ na proces produkcji, a następnie skupienie się na zapewnieniu lepszej obserwowalności stanu i przewidywaniu potencjalnych awarii tych elementów. Najczęściej są to wszelkiego rodzaju maszyny i urządzenia napędzane silnikami elektrycznymi np. pompy, kompresory, obrabiarki CNC, wentylatory, podajniki taśmowe, turbozespoły itp. Z jednej strony bezpośrednie i pośrednie koszty awarii są bardzo duże (tab.1), z drugiej proces zaczyna się od drobnego uszkodzenia, które można wykryć i usunąć, zanim zastąpi poważna awaria. Maszyny te objęte są systemem SCADA i często zaopatrzone w czujniki wibracji proporcjonalne do wartości skutecznej prędkości drgań – Vrms np. HS-420 podłączone do sterowników PLC. Dlaczego więc zazwyczaj nie udaje się uniknąć przestoju?

Tab.1 Bezpośrednie i pośrednie koszty awarii

Tab.1 Bezpośrednie i pośrednie koszty awarii

Pomiar drgań, a zaawanasowana wibrodiagnostyka w czasie rzeczywistym.

Systemy SCADA i czujniki (Vrms) to podejście stanowe – możemy określić wyłącznie czy obiekt znajduje się w stanie awarii czy nie. Praktyka pokazuje, że wprowadzenie pomiaru drgań czujnikami z wyjściem ICP/IEPE (np. HS-100) pozwala na dokładną analizę widma drgań (rys.1), co daje możliwość rozpoznania źródłowej przyczyny drgań, a nie tylko samego faktu ich wystąpienia. Rozwiązanie to daje także alternatywne podejście do oceny stanu maszyny oparte o inne metody np. analizę współczynnika szczytu dla przyspieszenia drgań. Możliwość stosowania różnych kryteriów badań pozwala na dobranie optymalnego, w danym zastosowaniu, sposobu prognozowania czasu do wystąpienia awarii. Porównanie tradycyjnej i zaawansowanej wibrodiagnostyki znajduje się w złączonym pliku PDF.

Rys. Charakterystyczne przebiegi drgań w poszczególnym miejscach zespołu napędowego (źródło: „Drgania jako źródło informacji” z portalu Energoelektronika)

Rys. Charakterystyczne przebiegi drgań w poszczególnym miejscach zespołu napędowego (źródło: „Drgania jako źródło informacji” z portalu Energoelektronika)

Prognozowanie odbywa się w oparciu o analizę trendu mierzonych parametrów w korelacji z dodatkowymi danymi pozyskiwanymi ze sterowników PLC i systemów SCADA. Stosowane są metody zaawansowanej statystyki, uczenia maszynowego i sieci neuronowych. Informacje te zwrotnie trafiają do systemu SCADA i systemu harmonogramowania przeglądów i remontów jako określenie prawdopodobnego źródła i czasu wystąpienia awarii.

Projekty takie realizujemy w oparciu o autorskie rozwiązanie MOLOS.ICM z rodziny MOLOS.CLOUD http://www.molos.cloud. System poza pomiarem drgań i sprzętową analizą widmową FFT może korzystać dodatkowo z pomiaru temperatury i analizy parametrów zasilania. W najbardziej zaawansowanej wersji pozwala na określenia prawdopodobieństwa uszkodzenia łożysk, elementów przeniesienia napędu, układu chłodzenia, uzwojenia, prętów i pierścienie klatki, przeciążenia, przekroczenia parametrów zasilania, rozosiowania, braku wyważenia i błędów posadowienia. Firmy zainteresowane bezpłatną konsultacją w zakresie zaawansowanej wibrodiagnostyki zapraszamy do kontaktu (sur@rednt.eu).

Nasze doświadczenie pokazuje, że sztuczna inteligencja w przemyśle nie jest ani taka sztuczna, ani taka inteligentna. To kombinacja metod inżynierskich, analityki i statystyki. Nowoczesne narzędzia pozwalają uzyskać rezultaty, których się od dawna spodziewaliśmy, tylko brakowało mocy obliczeniowej. Dzisiaj już jest dostępna i to za bardzo rozsądne pieniądze. Systemy łączące predykcję awarii i zdalne monitorowanie maszyn wykorzystują już takie firmy jak SECO/WARWICK czy KOMATSU uzyskując wymierne korzyści i przewagę konkurencyjną.

Obecnie w przemyśle mamy zalew danych. Spora ich część bezpowrotnie ginie, albo leży odłogiem. Drzemie w nich potencjalnie ogromna wiedza, tylko nie potrafimy jej wydobyć. Prawdą jest, że sztuczna inteligencja i Internet Rzeczy nam w tym pomoże, tylko musimy znać jej kontekst branżowy, umiejętnie łączyć metody inżynierskie i data science oraz stosować metodę małych kroków i nie bać się tej chmury. Zainteresowanych zapraszam do kontaktu.

Michał Kaczurba
michal.kaczurba@rednt.eu

Leave a Reply

Twój adres e-mail nie zostanie opublikowany. Wymagane pola są oznaczone *