Print

Co stojí za vším tím humbukem okolo? Data, která budou ovládat prediktivní údržbu

-- 16.03.2018

Sloučení virtuálního světa s reálnými problémy na dílně je to, oč tu běží. 

Výrobní sektor je v současné době zaplaven příběhy o big datech, umělé inteligenci (AI), internetu věcí (IoT) a cloud computingu. Často je v této záplavě informací těžké rozlišit mezi reklamními triky a skutečností, avšak zcela jistě existuje důvod, proč se tato témata dostávají na program dne. Stále častěji jsme svědky použití těchto technologií v našem každodenním životě, od rozpoznávání řeči přes autonomní vozidla až po inteligentní asistenty či větší propojení technologií, kterými jsme obklopeni.

Zatímco spotřebitelé těží z přínosů těchto technologií v okamžiku, kdy jsou na trhu k dispozici, průmyslový svět je pomalejší, co se jejich přijímání týče. Případné chyby jsou totiž nákladné, investice nemalé a stávající zařízení se nedá tak snadno vyměnit. Výsledkem je pomalejší cyklus přijímání technologií, tzv. sázka na jistotu, tedy v době, kdy je patrné, že to skutečně někde jinde funguje. Jenže průkopníkem chce být málokdo.

Použití dat a analytických nástrojů v rámci údržby a provozu strojů však má narůstající tendenci, zejména v posledních několika letech. Zavedení pokročilých řídicích systémů, zpětné historie dat, prediktivní údržby (PdM) a pokročilých technologií rozpoznávání vzoru spolu se systémy počítačem řízené správy údržby (CMMS) a systémy řízení podnikových aktiv (EAM) výrazně zlepšilo dostupnost zařízení a snížilo prostoje ve výrobě.

Současné technologické trendy cloud computingu, big dat a strojového učení povedou další vlnu vylepšení v oblasti správy majetku; neměli bychom však očekávat, že metody vyvinuté pro spotřebitelské trhy se plynule převedou na průmyslové trhy. Povaha dat je odlišná, a tudíž i související problémy mají odlišný charakter. Vzhledem k tomu, že průmyslový svět začíná využívat analytické nástroje pro big data, případy použití jsou stále častěji prezentovány jako příklady úspěchu a vzory pro jiné organizace. Jednou z rostoucích oblastí je rovněž analýza dat v rámci údržby strojů. 

Tři hlavní faktory prostojů

Začneme tím, že uvedeme důvody, proč stroje přestávají fungovat. K vysvětlení nám poslouží znalost základních fyzikálních zákonů. Níže jsou uvedena tři stěžejní fakta týkající se degradace stroje a jeho selhávání:

  1. Všechny stroje čelí několika zdrojům degradace: chemické znehodnocení, únava materiálu, opotřebení, tření atd.
  2. Rychlost těchto hlavních degradačních mechanismů se bude lišit v závislosti na konstrukci stroje, jeho použití a na prostředí, ve kterém se daný stroj nachází.
  3. Stroje jsou povětšinou složitá zařízení sestávající z mnoha komponent s tím rozdílem, že různé zdroje degradace ovlivňují komponenty odlišnou rychlostí.

Důsledkem těchto základních skutečností je, že predikci blížící se poruchy stroje je možno přirovnat k předpovídání počasí. Do tohoto nekoordinovaného procesu je zapojeno mnoho faktorů, a proto přinášet přesné a dlouhodobé předpovědi poruch strojů je obtížné, mnohdy i nemožné.

V daném případě zní tradiční PdM jako dobrý nápad. Základní koncepcí PdM je zasáhnout a zachytit degradaci ještě před tím, než způsobí definitivní poruchu. Háček je ve složitosti a interakci výše zmíněných faktorů; jak můžeme vědět, kdy a kde zasáhnout? U většiny komponent jsou tradiční harmonogramy PdM nastavovány podle zkušeností z dob minulých nebo na základě doporučení výrobce. Podrobná analýza dat je obtížná a nedochází k ní často. Je však zapotřebí zdůraznit, že prediktivní údržba (PdM) založená na časových harmonogramech je stále lepší než nic.

Z těchto důvodů většina odborníků na údržbu uznala, že určitá forma „údržby na základě aktuálního stavu zařízení“ je lepší metodou. Byly vyvinuty různé technologie PdM, jako je vibrační analýza rotačních zařízení, termografie pro oblast elektrických systémů a ultrazvuk pro měření tloušťky potrubí a nádob, nicméně označení „prediktivní“ je poněkud zavádějící. Tyto technologie ve skutečnosti nepředpovídají selhání či poruchu; jejich prostřednictvím spíše zjistíme a objevíme známky poškození, což nás přiměje k provedení údržby, než dojde k úplnému selhání daného zařízení. Tyto metody jsou zaměřeny na různé způsoby selhávání a jsou založeny na specifických technologiích pro zjišťování příznačných typů problémů. Odlišný je pak i způsob snímání.

Tyto techniky detekce anomálií jsou empirické (tj. založené na základě aktuálních dat) a analyzují typická data ze snímačů sestavováním modelů „normálního“ provozního stavu a na základě tohoto modelu pak upozorní, vzniknou-li „abnormální“ podmínky (odtud pochází termín „detekce anomálií“). Tyto metody analýzy jsou aplikovány téměř v reálném čase a v podstatě ruší variantu běžného provozování stroje, aby bylo možné detekovat jemnější variace způsobené degradací. Použití těchto technologií prokázalo skvělou návratnost investic, jen ve vzácných případech dochází ke katastrofické poruše sledovaného zařízení. 

Další hranice pro data

Takže v jakých dalších oblastech můžeme očekávat, že budou používány technologie analýzy dat? Nyní, když jsou data ze snímačů archivována pomocí historianu dat a většina zákazníků vlastní systémy řízení podnikových aktiv EAM pro realizaci zakázek, vzrůstá zájem o „vytěžování dat“ z těchto informací a jejich kombinování s metodami detekce anomálií, což má vést k vylepšení diagnostiky v reálném čase (většina metod pro detekci anomálií stále vyžaduje určitou úroveň odborné interpretace), včetně zpracování předpovědí doby zbývající do úplného selhání stroje (prognóza). Tento proces začíná s pokročilými systémy řízení výkonnosti aktiv.

Velkou výzvou v oblasti průmyslové analýzy je však skutečnost, že většina strojového učení a technik umělé inteligence je řízena a ovládána daty. Ačkoli má průmyslový svět k dispozici velké množství dat, získat typ dat potřebný pro analýzu z hlediska spolehlivosti a údržby není zcela jednoduché, jelikož tyto systémy nebyly navrženy pro takovýto druh analýzy. Data potřebná pro zlepšení diagnostiky a prognózy se týkají poruch a chybových případů, a poněvadž moderní zařízení jsou již velmi spolehlivá, může být získání tohoto druhu informací těžší, než by se dalo předpokládat.

Se shromážděnými, deidentifikovanými (zamaskovanými, anonymizovanými) údaji o výkonnosti a poruchách se objevuje potenciál další vlny analytických nástrojů pro zpracování strojových dat. S chybovými případy a moderními analytickými technikami bude možné porovnat vznikající vzorce poruch a přiřadit je k případům uloženým v historii stroje. Prostřednictvím „knihovny“ předchozích podobných případů, jež mohou výborně posloužit k porovnání, může automatizovaná diagnostika poskytnout popis problému a na základě minulé rychlosti degradace podat smysluplnou statistickou prognózu možného časového úseku do vzniku poruchy.

Dokonce i u zařízení, které není obzvláště dobře vybavené, bude větší databáze údajů podporovat lepší statistickou analýzu založenou na zařízeních, jež jsou umístěna v obdobných provozních podmínkách, než širší obecná analýza, která je typická pro současný stav. Lepší rozhodnutí mohou být učiněna při stanovení strategie údržby, pokud technik chápe skutečnou míru selhání součásti na základě podobného zařízení, které je provozováno za obdobných podmínek. Současná technologie se zpravidla spoléhá na doporučení výrobců nebo na průmyslové studie, které byly často provedeny před mnoha lety. 

Objektivní forma údržby

Realitou pro většinu společností je v současné době skutečnost, že rozvoj strategie údržby je subjektivní proces, který ve velké míře závisí na prodělaných zkušenostech. Data pro objektivní rozhodování jsou často vzácná, neexistují nebo jsou obtížně přístupná. Přechod na koncepci údržby v závislosti na aktuálním stavu zařízení obchází většinu těchto problémů tím, že zakládá své činnosti na skutečném aktuálním stavu daného zařízení, avšak i tyto koncepce stále vyžadují značnou odbornost a mohou být zdokonalovány.

Shromažďování anonymizovaných dat ohledně výkonu, chyb a poruchových stavů bude klíčem k poskytnutí „suroviny“ potřebné pro aplikaci pokročilých metod analýzy dat. Dokonaleji propracovaná on-line diagnostika, prognostika a veškeré nástroje potřebné k podpoře optimalizované údržby na základě aktuálního stavu zařízení jsou možné, pokud se objeví ty správné mechanismy, které umožní společnostem sdílet svá data vhodným způsobem. Ř&Ú 

David Bell je senior produktový manažer společnosti GE Digital.


Sponzorované odkazy

 
Aktuální vydání
Reklama

Navštivte rovněž

  •   Události  
  •   Katalog  

Události

PROMOTIC SCADA + eWON flexy workshop
2018-09-26 - 2018-09-26
Místo: Hotel Absolutum Boutique Hotel, Praha
MSV Tour 2018
2018-10-01 - 2018-10-04
Místo: Výstaviště Brno
Mezinárodní strojírenský veletrh 2018
2018-10-01 - 2018-10-05
Místo: Výstaviště Brno
Fórum údržby
2018-10-02 - 2018-10-02
Místo: Brno, veletrh MSV
Energie pro budoucnost XXIV
2018-10-02 - 2018-10-02
Místo: sál P4, BVV

Katalog

Panasonic Electric Works Europe AG
Panasonic Electric Works Europe AG
Veveří 3163/111
616 00 Brno
tel. +420 541 217 001

Brady s.r.o
Brady s.r.o
Na Pantoch 18
831 06 Bratislava
tel. +421 2 3300 4862

ABB s.r.o.
ABB s.r.o.
Štětkova 1638/18
14000 Praha 4
tel. +420739552216

Schneider Electric CZ, s. r. o.
Schneider Electric CZ, s. r. o.
U Trezorky 921/2
158 00 Praha 5
tel. 00420737266673

všechny firmy
Reklama



Tematické newslettery






Anketa


Na horách/u moře
Na chalupě/chatě v tuzemsku
Co je to dovolená?

O nás   |   Reklama   |   Mapa stránek   |   Kontakt   |   Užitečné odkazy   |   Bezplatné zasílání   |   RSS   |   Partneři   |   Blogy   |   
Copyright © 2007-2018 Trade Media International s. r. o.
Navštivte naše další stránky
Trade Media International s. r. o. Trade Media International s. r. o. - Remote Marketing Továrna - vše o průmyslu Control Engineering Česko Řízení a údržba průmyslového podniku Inteligentní budovy Almanach produkce – katalog firem a produktů pro průmysl Konference TMI