Как машинное обучение может повысить доступность активов

Приложения машинного обучения в обрабатывающей промышленности существуют уже много лет. Раньше (10 лет назад) они предназначались для крупных корпораций, располагавших обширными ресурсами. Приобретение и развертывание приложений было очень дорогим. После развертывания приложениям требовался обширный инженерный персонал для обслуживания моделей активов и оценки результатов приложения машинного обучения. Сегодня существует ряд приложений машинного обучения для промышленных приложений, которые можно развернуть за короткий период времени, а в некоторых случаях - на пробной основе. В этой статье я сделаю обзор того, как использовать приложения машинного обучения для мониторинга активов, обсуду некоторые из различных приложений машинного обучения, которые предлагаются в настоящее время, и подробно расскажу о будущих приложениях.

Машинное обучение для повышения доступности производственного оборудования

Приложения машинного обучения используются для выявления точек отказа машин на самом раннем этапе. Если вы знакомы с кривой PF, вы знаете, что чем раньше вы определите потенциальный отказ, тем лучше. В приложениях для машинного обучения вы начинаете с построения модели актива. Модель состоит из всех параметров процесса и параметров производственного оборудования, связанных с этим конкретным активом. Эти параметры обычно хранятся в архиве данных, который собирает данные из DCS завода, связанных с ним ПЛК, электронных журналов и т. Д. Если мы используем насос в качестве примера, давление всасывания, давление нагнетания, положение регулирующего клапана, температура подшипника и вибрация подшипника будут быть несколькими хорошими примерами параметров для включения в модель. Большинство моделей имеют от 10 до 30 параметров, но у нас есть модели, которые имеют около 100 параметров.

После создания модели в нее импортируются исторические оперативные данные. Обычно это называется набором обучающих данных и включает данные за один год. Данные за один год позволяют модели учитывать сезонные изменения в эксплуатации. Человек, знакомый с работой с активом, затем определит, какие данные «включить» в набор обучающих данных (хорошая работа) и какие данные «исключить» из набора обучающих данных (неправильная работа). Затем приложение машинного обучения использует обученный набор данных для разработки операционной матрицы для актива. Матрица в основном определяет, как машина должна работать в любой момент времени, на основе данных обучения, которые использовались для создания матрицы.

Вот где происходит волшебство:матрица станка развертывается в программном приложении, чтобы постоянно отслеживать работу станка и прогнозировать, где должны выполняться параметры станка, на основе разработанной матрицы. Если параметр отклоняется от прогноза модели на значительный процент, то система создает условие предупреждения для этого конкретного параметра. Затем выполняется инженерная оценка актива, чтобы оценить изменение состояния. После оценки могут произойти три основных результата:1) предупреждение является действительным, предупредить предприятие о состоянии и работать с местными ресурсами для решения проблемы; 2) для оповещения требуются дополнительные исследовательские / эксплуатационные данные, продолжайте отслеживать параметр и все связанные параметры для условий оповещения; и 3) предупреждение является ложным срабатыванием, переобучите модель с дополнительными оперативными данными и повторно разверните модель.

В любом случае приложению машинного обучения требуются выделенные ресурсы для обслуживания моделей и решения проблем производственного оборудования с владельцами заводского оборудования. Штатный ресурс обычно тратит 40 процентов времени на поддержание моделей, 40 процентов времени на работу с ресурсами предприятия для решения проблем и 20 процентов времени на оценку помощи, полученной от программы.

Результаты машинного обучения

Приложение машинного обучения дает очень сильные результаты. Эти программные приложения выявляют изменения в состоянии производственного оборудования или параметрах процесса, которые не заметны человеческому глазу. На рис. 1 показана повышенная вибрация подшипника вентилятора первичного воздуха из-за потери потока масла в подшипник. Произошло аварийное состояние внешнего подшипника вентилятора. Приложение машинного обучения предсказало, что вибрация подшипника должна составлять около 3,5 мил для текущих условий эксплуатации. Вибрация подшипника медленно отклонялась от прогнозируемого значения, и состояние предупреждения возникло при 4,7 мил. Завод был уведомлен об аварийном состоянии, и визуальный осмотр вентилятора показал, что в масляной линии возникла утечка в месте соединения с крышкой подшипника. Всасывание вентилятора происходило с каждого конца возле опор подшипников. Вентилятор действительно всасывал масло в корпус вентилятора, поэтому не было никаких признаков утечки на земле. Масло на лопастях вентилятора собирает грязь и мусор, что приводит к нарушению баланса вентилятора и, как следствие, к увеличению вибрации. Заводские ресурсы смогли принять меры по устранению утечки до того, как подшипник был поврежден.

Рис. 1. Увеличение вибрации подшипника вентилятора

На рис. 2 показано медленное уменьшение чистоты водорода на большой турбогенераторной установке. Зеленая линия - это прогнозируемое значение модели. Синяя линия - это фактическое значение, а красные точки - это место, где параметр перешел в аварийный сигнал. В течение этого месячного тренда местные экипажи не заметили медленного снижения чистоты водорода. Завод был уведомлен заранее о локальном аварийном сигнале или остановке завода, что давало им время, чтобы справиться с ситуацией, не работая в кризисном режиме.

Рис. 2. Чистота водорода в генераторе

Рисунок 3 связан с системой электрогидравлического управления (EHC), которая регулирует положение клапана, частоту вращения турбины и срабатывает предохранительные клапаны. В этом случае перепад давления на сетчатом фильтре насоса EHC «A» начал увеличиваться. Проверка сетчатого фильтра, как правило, должна проводиться оператором в круглом листе для проверки на месте один или два раза за смену. С заводом связались, и они смогли заменить насос EHC «A» на насос EHC «B». Это предотвратило отключение турбины и любое связанное с этим повреждение, которое могло произойти.

Рис. 3. Сетчатый фильтр насоса EHC

На рис. 4 изображена система смазки большого измельчителя, также известного как барабанная мельница. Система смазки подает масло на встроенный редуктор и все связанные с ним подшипники. Модель актива предсказывала, что температура будет 90 градусов по Фаренгейту, но на самом деле она увеличилась до 110 градусов по Фаренгейту. Были проведены контакты с местными производственными предприятиями, и они обнаружили, что регулирующий клапан охлаждающей воды на теплообменнике смазочного масла вышел из строя. Регулирующий клапан был заменен, и система вернулась в нормальное состояние.

Рис. 4. Температура масла в пульверизаторе

Остающийся набор примеров взят из второго программного обеспечения для машинного обучения. Хотя пользовательский интерфейс может сильно отличаться, принципы работы и вывод программных приложений очень похожи. Истинная ценность приложения машинного обучения - это коммуникация и последующие действия, которые происходят после того, как приложение обнаруживает изменение по сравнению с историческим рабочим состоянием.

На следующих графиках синяя линия - это фактическое значение, красная линия - это прогнозируемое значение, светло-зеленая заштрихованная область представляет состояние тревоги, а пурпурная вертикальная линия - это место, где параметр достиг состояния тревоги из-за отклонения. Серая область - это место, где машина отключена. Обратите внимание, что когда устройство отключено, никаких прогнозов и предупреждений не происходит.

На Рисунке 5 ниже мы наблюдаем паровую турбину, питаемую парогенератором-утилизатором (HRSG) на электростанции с комбинированным циклом. Параметр процесса - это струйный поток под высоким давлением к паровой турбине. Красная и синяя линии хорошо сочетаются друг с другом до 1000 фунтов пара в час. Фактическое и прогнозируемое отклонение начинают отклоняться со скоростью 1000 фунтов в час, и в приложении появляется зеленое предупреждение.

Два значения продолжают отклоняться до тех пор, пока не сработает аварийная ситуация, показанная пурпурной вертикальной линией. С представителями завода связались, чтобы обсудить работу парогенератора и прогноз модели.

Рис. 5. Распыление под высоким давлением

На рисунке 6 показано изменение вибрации турбины внутреннего сгорания при запуске. На графике показаны пять отдельных сценариев запуска, представленных областями с вертикальной полосой. Во всех случаях вибрация, представленная синей линией, намного выше, когда устройство первоначально возвращается в эксплуатацию. При третьем запуске вибрация фактически увеличивается на достаточно долгое время, чтобы создать аварийное состояние для параметра. Завод был уведомлен, и было обнаружено, что датчик вибрации вышел из строя из-за нормальной работы.

Рис. 6. Вибрация турбины внутреннего сгорания

На рис. 7 показаны несколько сценариев запуска, при этом четвертый запуск приводит к возникновению аварийной ситуации. Программное обеспечение предсказало, что давление в промежуточном паровом барабане в ПГРТ будет 278 фунтов на квадратный дюйм, но фактическое значение было 240 фунтов на квадратный дюйм. О состоянии было сообщено местным заводским ресурсам, и установка была отключена для ремонта регулирующего клапана. После возвращения в эксплуатацию на следующий день прогноз модели и фактическое значение вернулись к норме.

Рис. 7. Давление в барабане HRSG

Приложения будущего для машинного обучения

В какой-то момент в ближайшем будущем эти типы программных приложений станут стандартом в том, что мы сегодня знаем как DCS. Система DCS будет строить прогнозы каждого параметра на основе корреляции с другими параметрами в рамках процесса. Поскольку прогнозы отклоняются от фактических, оператору будут отправляться предупреждения с указанием того, какие параметры процесса приводят к отклонению. По мере того, как машина узнает, какие корректирующие действия следует предпринять, от оператора требуется все меньше и меньше участия, пока вы не достигнете точки, в которой машина может работать сама. Это может показаться недостижимым, но сегодня у нас есть примеры. Автопилот Tesla, вероятно, является лучшим примером возможностей машинного обучения сегодня. В декабре 2016 года Tesla выпустила видео о полностью автономном вождении от дома до работы с автоматической парковкой и поиском. Это впечатляющее видео, которое стоит посмотреть, и оно показывает нам, что нас ждет в будущем.

Программные приложения для машинного обучения могут значительно повысить доступность активов, усовершенствовать процессы и увеличить производство, когда они применяются в производственном процессе. Для развертывания и обслуживания программных приложений требуются специальные навыки, но в последние годы барьер для входа стал намного ниже. По мере того, как эти программные приложения становятся все более популярными, стоимость приложения будет снижаться еще больше. В какой-то момент приложения, созданные для широкой публики, попадут в промышленную среду.