Inteligentne utrzymanie ruchu w przemyśle chemicznym

• Strona główna
• Artykuły
• Inteligentne utrzymanie ruchu w przemyśle chemicznym

2021-06-22  / Autor: Tomasz Demski, dyrektor ds. rozwoju, StatSoft Polska

W jaki sposób utrzymanie ruchu może stać się inteligentnym? Zaistnienie takiej sytuacji umożliwia podejście określane jako predykcyjne utrzymanie ruchu (ang. predictive maintenance). Strategia ta, podobnie jak wiele współczesnych innowacji, bazuje na danych i uczeniu maszynowym (ang. machine learning). Krótko mówiąc, zbieramy dane o pracy urządzeń, ich stanie, obciążeniach, warunkach pracy itp. Na podstawie danych tworzymy model metodami uczenia maszynowego. Model taki określamy terminem „cyfrowy bliźniak” (ang. digital twin). Może on:

• określić bieżący stan urządzenia (zużycie);
• przewidzieć, czy i kiedy wystąpi awaria;
• wykryć przyczynę awarii, spadku wydajności, problemy z jakością produktu itp.;
• stanowić podstawę do optymalizacji wykorzystania urządzenia.

W porównaniu z tradycyjnymi podejściami do utrzymania ruchu i zapewnienia niezawodności, utrzymanie predykcyjne zmniejsza ryzyko awarii i umożliwia jej przewidzenie oraz redukuje koszty: nie wymieniamy sprawnych części i nie wykonujemy zbędnych serwisów. Dodatkowo, dzięki cyfrowemu bliźniakowi, jesteśmy w stanie optymalizować pracę urządzenia i uzyskujemy o nim ogólną wiedzę, bazującą na danych.

Ograniczenie wydatków, czyli korzyści wynikające z wdrożenia predykcyjnego utrzymania ruchu

Predykcyjne utrzymanie ruchu może być szczególnie użyteczne i pożyteczne w przemyśle chemicznym. Wpływa na to złożoność i wielkość instalacji, a co za tym idzie wysokie koszty ich serwisowania. Kolejna sprawa to niepowtarzalność instalacji: wiele z nich jest unikalnych, co utrudnia opracowanie precyzyjnych reguł obsługi i harmonogramów prac utrzymaniowych. Bardzo ważna jest również skala produkcji. Powoduje ona, że nawet niewielkie wydłużenie czasu dostępności linii produkcyjnej przekłada się na ogromne zyski. Warto też zwrócić uwagę, że procesy wytwórcze w przemyśle chemicznym są zazwyczaj szczegółowo opomiarowane, więc dane do tworzenia modeli są i czekają, żeby je zaprząc do pracy.

Utrzymanie predykcyjne daje zauważalne, mierzalne i stosunkowo szybkie korzyści, a jednocześnie nie wymaga zmian w strategii przedsiębiorstwa i dużych inwestycji. Ponadto można je wdrażać etapami: zaczynamy od prostego zadania o niewielkim zakresie (np. jednej pompy), a potem je rozszerzamy i pogłębiamy: na coraz więcej, coraz bardziej skomplikowanych urządzeń. Dlatego utrzymanie predykcyjne jest często składnikiem wdrożenia Przemysłu 4.0 i cyfryzacji.

Wdrożenie predykcyjnego utrzymania ruchu nie musi wiązać się z nakładami na opomiarowanie: do stworzenia użytecznego modelu mogą wystarczyć dane gromadzone na inne potrzeby, np. bieżącego zarządzania produkcją i sterowania procesami. Czasami przedsiębiorstwo inwestuje w Internet Rzeczy i cyfryzację niezależnie od utrzymania ruchu.

W obu przypadkach dane potrzebne do predykcyjnego utrzymania ruchu dostajemy za darmo lub małym kosztem.

Wiele sposobów rozwiązywania problemów

W predykcyjnym utrzymaniu ruchu istnieją do dyspozycji rozmaite sposoby rozwiązywania problemu, które stosujemy w zależności od specyfiki zagadnienia, dostępnych danych i celów.

Pierwszy sposób to przewidywanie wystąpienia określonego typu awarii (lub innego niepożądanego zdarzenia) na podstawie jego wystąpień w przeszłości. W tym podejściu znajdujemy wzorce przebiegu parametrów pracy urządzenia, które poprzedzały awarię. Przykładowo, szybki wzrost ciśnienia połączony ze spadkiem natężenia prądu może poprzedzać awarię pompy. Do znajdowania wzorców używamy tzw. uczenia z nauczycielem (lub ukierunkowanego), np. sieci neuronowych MLP, drzew klasyfikacyjnych lub SVM. Ograniczeniem tego podejścia jest konieczność posiadania odpowiedniej ilości danych o awariach z przeszłości, co nie zawsze jest możliwe. Trudno też przewidywać zupełnie nowe rodzaje awarii.

W obsłudze predykcyjnej możemy również wykorzystać wzorzec prawidłowo działającej maszyny. Wzorzec taki łączy wszystkie parametry pracy, a tworzymy go metodami uczenia bez nauczyciela, np. sieciami Kohonena, autoencoderem lub segmentacją k-średnich. Działanie urządzenia nadzorujemy, badając odległość obecnego stanu od wzorca. Znaczący wzrost odległości od wzorca stanowi ostrzeżenie, że dzieje się coś niedobrego. To podejście bywa określane jako wykrywanie anomalii.

Podkreślmy, iż tym razem nie musimy mieć danych o wcześniejszych awariach i jesteśmy w stanie wykrywać problemy nowego typu. Wykrywanie anomalii ma też zastosowanie w przypadku zupełnie nowego lub przebudowanego urządzenia.

W kolejnym podejściu badamy wskaźnik zdrowia urządzenia – np. zawartość substancji niepożądanej – i staramy się przewidzieć, kiedy przekroczy on wartość progową. Tutaj używane są techniki prognozowania szeregów czasowych, regresja i sieci neuronowe.

Na koniec warto wspomnieć o analizie sekwencji zdarzeń. W tym wypadku wyszukujemy ciąg zdarzeń poprzedzający awarię.

Jak może wyglądać projekt utrzymania predykcyjnego? Praktyczny przykład

Zobaczmy, jak projekt utrzymania predykcyjnego może wyglądać. Mamy instalację, która raz do roku przechodzi remont, wymianę katalizatora, czujników i ogólnie istotne zmiany. W efekcie co roku dostajemy nową instalację.

Po remoncie, po ustabilizowaniu pracy przez pewien czas zbieramy dane o zachowaniu instalacji. Po zgromadzeniu danych tworzymy wzorzec dobrego działania instalacji. Na tym etapie analizy uzyskujemy przedział zmienności odległości stanu instalacji od wzorca w przypadku nowej, prawidłowo działającej instalacji. Na bieżąco monitorujemy odległości stanu instalacji od wzorca. Przebieg zmian tej odległości prezentujemy na wykresie osobom odpowiedzialnym za proces.

Dzięki temu będą one w stanie nadzorować starzenie się instalacji, wykrywać anomalie i problemy. Co ważne, model uczenia maszynowego działa w tle, a użytkownicy korzystają ze zrozumiałego wykresu.

Jednocześnie zbieramy dane na potrzeby drugiego modelu: ma on przewidywać zmianę wskaźnika jakości działania instalacji. Wskaźnik pogarsza się z powodu odkładania się depozytu w instalacji, zużywania się katalizatora – ogólnie starzenia się instalacji. Po pewnym czasie możemy już zbudować model przewidujący wartość wskaźnika jakości procesu. Znowu udostępniamy go inżynierom, jako wykres prezentujący dotychczasowy przebieg wskaźnika, jego przewidywane wartości i kiedy stanie się on nieakceptowalny.

Dodatkowo tworzymy dla użytkowników narzędzie do symulacji, umożliwiające określenie, kiedy konieczny będzie remont przy różnych ustawieniach i scenariuszach wykorzystania instalacji. Może się np. okazać, że do zaplanowanego remontu jest jeszcze miesiąc, a katalizator przy standardowych obciążeniach wytrzymałby dwa miesiące.

Możemy go wtedy dociążyć, aby wykorzystać do końca i otrzymać większe uzyski.

Warto podkreślić, iż rozwiązanie wspomaga inżyniera w przyjaznym i intuicyjnym środowisku wizualnej analityki, tak że jest on w stanie korzystać z nawet bardzo wyrafinowanych modeli uczenia maszynowego, bez specjalistycznej wiedzy.

Przed realizacją zadań predictive maintenance: czego potrzebujemy?

Oczywiście musimy mieć system zbierania i gromadzenia danych o procesach, ale on zwykle istnieje, czasem może być kłopot z udostępnieniem danych na zewnątrz.

Konieczne jest również narzędzie do analizy danych, przystosowane do wykorzystania w firmie produkcyjnej, umożliwiające nie tylko tworzenie modeli, ale również łatwe przeniesienie ich do produkcji. Niestety ten drugi wymóg bywa ignorowany, co prowadzi do trudności ze stosowaniem modeli na co dzień.

Do zapewnienia faktycznej możliwości korzystania z modeli przez użytkowników przydatne jest narzędzie do wizualizacji bezproblemowo i przezroczyście współpracujące z narzędziami do zaawansowanej analizy danych i uczenia maszynowego.

W projekcie muszą brać udział osoby kompetentne w uczeniu maszynowym i inżynierii danych. Mogą to być zewnętrzni konsultanci, pracownicy centrum doskonałości danej firmy albo inżynierowie, którzy zdobyli takie kompetycje, realizując coraz bardziej złożone zadania we współpracy z firmą doradczą. Co ważne, w każdym wypadku konieczne jest zaangażowanie inżynierów, osób, które bezpośrednio realizują i nadzorują proces. Takie zaangażowanie jest potrzebne, aby wyniki projektu dawały praktyczne, rzeczywiste efekty.

Niestety zdarza się, że gdy brak takiego zaangażowania, model świetny pod względem kryteriów statystycznych, ma w praktyce ograniczone zastosowanie.

Podsumowując nasze rozważania: obecnie utrzymanie predykcyjne jest coraz częściej praktycznie stosowane w przemyśle chemicznym. Ma bardzo duży potencjał i niesie ze sobą wiele korzyści, m.in. umożliwia przewidywanie awarii, może ograniczyć wydatki związane z serwisowaniem instalacji, a jednocześnie nie wymaga zmiany strategii firmy i dużych inwestycji.

Tomasz Demski, dyrektor ds. rozwoju, StatSoft Polska

utrzymanie ruchuautomatykarobotykaStatSoft Polska