W miarę jak świat przemysłowy zaczyna wykorzystywać analizę Big Data, jednym z rozwijających się obszarów jej zastosowania stają się analizy danych dotyczące konserwacji maszyn.
Poziom wykorzystania danych i ich analizy w utrzymaniu ruchu i działaniach operacyjnych wzrasta, zwłaszcza na przestrzeni kilku ostatnich lat. Wprowadzenie zaawansowanych systemów sterowania, programów do archiwizacji danych, konserwacji predykcyjnej (PdM) i zaawansowanych systemów monitorujących, wraz z komputerowymi systemami zarządzającymi utrzymaniem ruchu (CMMS) i systemami zarządzania zasobami przedsiębiorstwa (EAM), znacznie poprawiło dostępność zasobów i ograniczyło przestoje.
Czynniki generujące przestoje
Przyczyny awarii maszyn sprowadzają się w gruncie rzeczy do podstaw fizyki:
→ wszystkie maszyny narażone są na różne przyczyny zużycia: chemiczne, zmęczeniowe, ścierne, ubytkowe itd.;
→ wpływ tych czynników różni się w zależności od konstrukcji, zastosowania i czynników środowiskowych;
→ większość maszyn to urządzenia skomplikowane, składające się z wielu podzespołów, na które w zróżnicowany sposób oddziałują różne czynniki zużycia.
Wniosek płynący z tych stwierdzeń jest taki: zapobieganie awarii jest jak przepowiadanie pogody. Wiele czynników wpływa na ten „chaotyczny” proces, co sprawia, że długoterminowe przewidywanie awarii jest trudne, o ile w ogóle możliwe.
W tym miejscu z pomocą przychodzi strategia konserwacji predykcyjnej. Podstawowym założeniem PdM jest interwencja i zapobieganie dalszej degradacji, zanim doprowadzi ona do awarii urządzenia. Istota problemu polega na stopniu komplikacji oraz interakcji wymienionych czynników. I choć w większości wypadków ustalenie harmonogramu PdM odbywa się w oparciu o zalecenia producenta sprzętu oraz działania wykonywane w przeszłości, a szczegółowa analiza danych, ponieważ jest trudna, nie zdarza się często, to jednak konserwacja PdM oparta na ramach czasowych jest lepsza niż żadna.
Dostępne są różne metody diagnostyki w ramach strategii PdM, takie jak analiza wibracji, badania ultradźwiękowe czy badania termograficzne. Jednakże określenie „predykcyjne” nie jest do końca właściwe. Wspomniane metody nie przewidują awarii, raczej wykrywają i uwidoczniają zużycie będące podstawą do działań konserwacyjnych, zanim dojdzie do usterki. Te metody funkcjonują na podstawie różnych modeli zużycia i bazują na zastosowaniu czujników. Stworzone zostały do badania konkretnych technologii i wykrywania określonych problemów.
Owe techniki wykrywania nieprawidłowości są technikami empirycznymi (interpretacja wartości na podstawie bazy danych), polegają na analizie sygnału z czujnika i porównywaniu wartości z wartością normalną, a w konsekwencji włączaniu alarmu w przypadku wartości odbiegającej od normy (stąd określenie „wykrywanie nieprawidłowości”). Pomiary te są bliskie pomiarom czasu rzeczywistego lub analizom strumieniowym i są w stanie pomijać wariację normalnej pracy maszyny, rozpoznając dzięki temu bardziej subtelne zmiany spowodowane jej zużyciem. Zastosowanie tego typu technik, jak dowiedziono, zapewnia zwrot z inwestycji i sprawia, że poważne awarie sprzętu należą do rzadkości.
Powrót do podstaw: strategie konserwacji
Konserwacja reaktywna (reactive maintenance) – nazywana również działaniem aż do wystąpienia awarii (run-to-failure). Strategia ta jest raczej oczywista. Czynności konserwacyjne wykonywane są tylko wówczas, gdy dane urządzenie już zawiedzie i ulegnie wyłączeniu awaryjnemu czy uszkodzeniu.
Konserwacja zapobiegawcza (preventive maintenance) – w tej strategii czynności konserwacyjne wykonywane są w oparciu o stałe interwały czasowe, np. wymiana części
następuje co trzy miesiące lub co
10 000 cykli. W tej metodzie nie bierze się pod uwagę względnego stanu maszyny.Konserwacja predykcyjna (predictive maintenance) – w tej strategii stan urządzenia jest kontrolowany w oparciu o monitoring różnych parametrów roboczych, a czynności konserwacyjne planowane, jeśli monitorowana wartość parametru przekroczy założony przedział (np. przedział temperatur pracy dla silnika elektrycznego to 65–82°C).
Kolejna generacja analizy danych
Teraz, gdy dane z czujników archiwizowane są za pomocą odpowiedniego oprogramowania, a większość użytkowników posiada systemy EAM, rośnie zainteresowanie pozyskiwaniem danych i łączeniem ich z metodami detekcji nieprawidłowości w celu poprawy diagnostyki czasu rzeczywistego (większość metod detekcji nieprawidłowości wciąż wymaga w pewnym stopniu wiedzy eksperckiej) i ewentualnej prognozy czasu do wystąpienia awarii. Proces ten rozpoczyna się od zaawansowanych systemów zarządzania zasobami.
Jednakże, mimo że świat aplikacji przemysłowych jest bogaty w dane różnego rodzaju, pozyskiwane z różnych źródeł, to typ danych niezbędnych do analizy pod kątem utrzymania ruchu i niezawodności jest trudny do pozyskania. Dane potrzebne do usprawnienia diagnostyki i prognozowania dotyczą awarii i przypadków zużycia, a ponieważ nowoczesny sprzęt i urządzenia wykorzystywane w aplikacjach przemysłowych cechuje wysoki poziom niezawodności, tego typu dane i informacje są trudniejsze do zdobycia, niż można by przypuszczać.
Ze względu na różnorodność danych, a zarazem ich monotonność, pojawił się problem skuteczności wykrywania symptomów stanów awaryjnych i powiązanych z nimi wartości parametrów pracy maszyn. Z tego powodu wzrasta zapotrzebowanie na nową generację mechanizmów i metod analizy danych. Z modelami awarii i nowoczesnymi technikami analizy możliwe będzie powiązanie schematów awarii z przypadkami z przeszłości. Przy użyciu „biblioteki” poprzednich uszkodzeń automatyczna diagnostyka może zidentyfikować problem i w oparciu o wpływ wcześniejszego zużycia na trwałość maszyny dostarczyć istotne statystyczne prognozy na temat okresu jej bezawaryjnej pracy.
Nawet w przypadku sprzętu, który nie jest dostatecznie wyposażony w czujniki, większe ilości danych wpłyną lepiej na statystyczną analizę prowadzoną w oparciu o sprzęt znajdujący się w podobnych warunkach środowiskowych niż typowa ogólna analiza. Jeśli inżynierowie zrozumieją przyczynę awarii komponentu, posługując się informacją o podobnym sprzęcie pracującym w podobnych warunkach, będą w stanie podjąć lepsze decyzje dotyczące strategii konserwacji.
Podsumowanie
Dane na temat pracy maszyny i jej awarii będą kluczowym składnikiem przy zastosowaniu metod zaawansowanej analizy danych. Lepsza diagnoza online oraz prognozowanie będą możliwe, jeżeli uruchomi się odpowiednie mechanizmy pozwalające przedsiębiorstwom na dzielenie się danymi we właściwy sposób.
David Bell zatrudniony jest jako Senior Product Manager w firmie GE Digital.
