Профилактическое обслуживание имеет решающее значение в различных областях применения, таких как обрабатывающая промышленность, информация и технологии, аэрокосмическая промышленность, тяжелое машиностроение и т. д., для оценки будущей производительности подсистемы или компонента для оценки RUL (оставшегося срока полезного использования). Если мы сможем точно предсказать, когда произойдет отказ актива (которым может быть любая машина, сервер или турбина), то мы сможем заранее принять решение о плановом обслуживании, чтобы избежать внезапных отказов, снизить стоимость обслуживания, а также оптимизировать оперативная деятельность.

Это может показаться немного теоретическим, но это осуществимо с использованием доступных современных технологий обработки данных. Мы можем отслеживать наши активы (это может быть любое устройство или машина, которая может привести к поломке) в режиме реального времени с помощью датчиков и на основе шаблонов данных датчиков, мы можем предсказать, когда у нас будет поломка активов.

Профилактическое техническое обслуживание — это техническое обслуживание, которое выполняется на регулярной основе для части оборудования, чтобы уменьшить вероятность поломки или увеличить срок службы оборудования. Такое техническое обслуживание планируется в зависимости от использования или времени, прошедшего с момента последнего технического обслуживания. Типичным примером профилактического обслуживания на основе времени является кондиционер, который обслуживается каждый год перед началом лета. Профилактическое обслуживание — это примитивный метод обслуживания, который является дорогостоящим, поскольку мы не можем предсказать оставшийся срок полезного использования актива или оборудования. Мы регулярно проводим профилактические проверки в зависимости от использования или времени, прошедшего с момента последней проверки, даже если техническое обслуживание вообще не требуется.

Именно здесь вступает в действие концепция предиктивного анализа. Используя IoT и машинное обучение, мы можем предсказать, когда актив выйдет из строя, и, следовательно, мы можем выполнить его техническое обслуживание, когда и в какой части это необходимо.

Преимущества диагностического обслуживания перед практикой профилактического обслуживания:

Профилактическое обслуживание помогает определить ключевые параметры и определить вероятность выхода из строя.

Прогностическое обслуживание помогает систематически оптимизировать процесс принятия бизнес-решений с использованием актуальных данных в реальном времени и старых данных.

Помогает лучше планировать запасы запасных частей, чтобы команда по запасам или техническому обслуживанию не сталкивалась с фазами давления.

Аналитика данных для профилактического обслуживания

Профилактическое обслуживание зависит от процесса мониторинга оборудования путем выполнения действий на устройстве для достижения требуемой цели.

Аналитика данных для профилактического обслуживания подразделяется на три категории:

  • Прогноз
  • Описательный
  • Предписания

Описательная аналитика:

Эта конкретная аналитика выполняется для обнаружения полезных сведений о конкретном оборудовании с использованием исторических данных об этом конкретном оборудовании. Он используется для улучшения процесса технического обслуживания и снижения неэффективности работы оборудования. Примеры:

Обнаружение ухудшения производительности: в этом случае производительность оборудования отслеживается, чтобы можно было обнаружить раннее предупреждение о сбое и в дальнейшем оборудование можно было восстановить до практичного и экономически эффективного состояния.

Оценка эффективности обслуживания: это один из статистических анализов оборудования, выполненных до и после действий по техническому обслуживанию. Это полезно для заказчика, чтобы определить, эффективен ли применяемый им процесс обслуживания или есть необходимость их изменить.

Кейсы предиктивной аналитики:

Он охватывает прогнозирование будущих событий, таких как сбои, путем изучения исторических данных. Методы включают прогнозирование отказов на основе событий, прогнозирование отказов на основе датчиков и прогнозирование отказов на основе моделей.

Прогнозирование отказов на основе событий: данные о событиях оборудования экономичны, поэтому они легко доступны для проведения анализа. Данные собираются и передаются в оперативную базу данных. После этого выполняется интеллектуальный анализ данных, чтобы найти значимые вхождения событий в указанные временные окна. Как только это будет сделано, определяются временные правила для прогнозирования будущих сбоев. Таким образом, определенные правила применяются к входящим событиям для прогнозирования возможных отказов в пределах временного окна.

Прогнозирование отказов на основе моделей: этот метод используется для прогнозирования отказов, которые нечасто происходят в полевых условиях. Поэтому разрабатываются физические модели для имитации этих отказов. Физические модели разрабатываются с использованием математических уравнений, представляющих электрические и механические детали оборудования. Эти модели включают виды отказов и степень отказов. Следовательно, эти модели могут быть легко смоделированы с данными по соответствующим заданным узлам отказов и степени отказов.

Прогнозирование отказов на основе датчиков: данные датчиков полезны для получения информации о состояниях, предшествующих отказу. Для его реализации разрабатывается модель путем ее обучения с использованием исторических данных датчиков. После этого модель применяется к данным в реальном времени для прогнозирования сбоев.

Доступны два подхода:

Предсказание отказов с помощью обнаружения аномалий: отклонение от стандартного поведения оборудования определяется путем применения обученной модели. Модель обучается на исторических данных, где большое количество измерений относится к нормальной работе, и лишь немногие из них представляют собой случаи отказов. Во время обнаружения оценка аномалии для каждого нового измерения рассчитывается на основе расстояния измерений от предыдущих обучающих кластеров. Если получен какой-либо необычный результат, он считается неудачным.

Прогнозирование отказов с использованием классификации: этот конкретный метод используется для прогнозирования отказов сложных данных. В этом случае модель обучается с использованием исторических данных, состоящих из достаточных выборок исторических инцидентов для каждого типа отказа. Когда полученная модель применяется, данные разбиваются на нормальные данные и данные до отказа, а затем биномиально классифицируются по различным классам отказов.

Предписывающая аналитика

Он включает в себя выработку рекомендаций по полученным результатам, чтобы можно было снизить частоту отказов при достижении операционных целей. При выполнении технического обслуживания оборудования становится трудно определить и понять глобальное влияние применяемой техники. Таким образом, разрабатывается общая структура оптимизации, которая учитывает результаты алгоритмов профилактического обслуживания наряду с различными оценками затрат и эксплуатационными ограничениями и рекомендует полный план обслуживания, обеспечивающий максимальную эффективность работы и минимальные затраты на обслуживание.

Гибридный подход к диагностическому обслуживанию

Это комбинация физической модели и части статистического анализа событий и операций, выполняемых оборудованием. Физическая модель может имитировать нормальное и ошибочное поведение. После того, как статистическая модель изучена на основе смоделированных и полевых данных, она может прогнозировать серьезность режима отказа по данным в реальном времени. Когда отказ прогнозируется активами, оперативное техническое обслуживание выполняется путем выдачи предупреждения о том, что двигатель необходимо отремонтировать или заменить в зависимости от типа отказа.

Сводка проблем

Предиктивный анализ ставит различные задачи, такие как:

Стек решений для профилактического обслуживания

У нас есть датчики, подключенные к активам, для мониторинга критических параметров в режиме реального времени, таких как температура, напряжение, загрузка ЦП и т. д.

Обрабатывайте данные с датчиков и анализируйте их в режиме реального времени, чтобы выявлять и сообщать о критических событиях без потери времени (например, внезапное повышение температуры, нерегулярное изменение напряжения) и принимать соответствующие превентивные меры.

После обработки данных сохраните данные в хранилище данных, чтобы можно было провести анализ этих данных для прогнозного анализа для вычисления оценки RUL (оставшегося срока полезного использования) активов.

Построение алгоритма машинного обучения для предварительного прогнозирования состояния поломки на основе собранных данных.

Автоматизируйте все вышеперечисленные шаги в непрерывном конвейере без какой-либо помощи человека.

Создание инструмента визуализации данных для визуализации всех собранных данных в удобочитаемом формате.

Критические параметры и особенности системы прогнозирования в реальном времени:

Для вышеуказанной реализации мы должны сосредоточиться на выявлении уникальных проблем, которые влияют на операционные и производственные последствия при управлении рисками. Важно понимать, на какие показатели ориентируется организация. Ответы на эти вопросы, чтобы определить критические цели проекта PdM и обеспечить завершение:

Решение для профилактического обслуживания обеспечивает прогнозирование на основе событий, изучая исторические данные, а также изучая новые данные в реальном времени.

Прогнозирование, основанное на данных непосредственно от датчиков и изучении нормального поведения активов и выявлении любого ненормального поведения.

Прогнозирование событий отказа с использованием моделей классификации для различных событий отказа.

  • Сбор огромного количества данных в реальном времени с нескольких активов в разных географических точках в разных формах данных.
  • Хранение огромного количества данных в структурированном виде, чтобы их можно было использовать для анализа с помощью алгоритмов машинного обучения.
  • Выбор и обучение эффективной модели машинного обучения (для различных активов) на разных источниках данных.
  • Создание масштабируемого конвейера данных, достаточно мощного, чтобы принимать огромные объемы данных и обрабатывать их структурированным образом.
  • Какие важные активы могут потерпеть неудачу? Когда и почему мы принимаем, что они потерпят неудачу
  • Как авария актива повлияет на организацию, операции или стоимость продукта? Сколько стоит время простоя?
  • Как можно интегрировать решения, основанные на данных, в рамках существующих практик технического обслуживания?

Архитектура прогнозного анализа

Для прогнозного анализа на основе IoT у нас есть датчики для мониторинга данных в разных местах, все активы, а именно A1, A2, A3, A4, подключены к общей сети через CoT (облако вещей). Облако вещей передает данные в режиме реального времени в nifi, которое представляет собой программное обеспечение для приема данных, которое через Kafka создает поток данных, который можно использовать напрямую.

Теперь у нас было два варианта обработки потока данных:

  • Пакетная обработка
  • Потоковая обработка

При пакетной обработке мы храним данные в хранилище данных и позже применяем алгоритмы машинного обучения и другой инструмент анализа для прогнозирования разбивки наших активов.

Обработка в потоке, поток данных потребляется службами потоковой передачи искры, и он анализирует реальное время данных и на основе данных в реальном времени делает прогнозы, идентифицирует любые события сбоев и сообщает о них. Затем данные сохраняются в хранилище данных.

Наконец, у нас есть панель инструментов, которую можно использовать для визуализации всех наших данных и сбора бизнес-аналитики.

Решение для сбора и обработки данных:

Конвейер аналитики профилактического обслуживания

Идентификация и приоритизация доступных источников данных

Расширение возможностей подключения активов и использование интеллектуальных устройств могло привести к созданию больших объемов доступных данных. Не требуется и не рекомендуется рассматривать всю эту совокупность возможных данных. Вместо этого начните прогнозировать отказы одного актива, сосредоточившись на пригодных для использования существующих источниках данных, связанных конкретно с ним.

Сбор целевых данных

Целевые данные могут находиться в удаленных местах и ​​доставляться в конвейер анализа, включая датчики, счетчики, диспетчерское управление и т. д. Эффективное решение должно быть достаточно гибким, чтобы собирать данные из всех этих удаленных источников данных, чтобы учиться и постоянно совершенствоваться. более взвешенные бизнес-решения.

Определение пайплайна аналитики

Создание конвейера расширенной аналитики на основе конкретной операции. Например, облачная аналитика должна быть достаточно сбалансирована, чтобы снизить нагрузку на потоковую передачу скоропортящихся данных PdM в нашем облачном развертывании. Распределенный подход применяется для обнаружения и реагирования на локальные события на этапе искровой потоковой передачи по мере их возникновения, немедленного принятия мер в отношении потоковых данных и одновременной интеграции дополнительных источников данных в облаке. Spark Streaming используется для анализа потоковых данных в памяти для ответа в режиме реального времени и фильтрации ненужных данных вместо их передачи в облако.

Раннее обнаружение ухудшения производительности путем отслеживания изменений ключевых показателей производительности с течением времени по сравнению с идеальной производительностью.

Оценка эффективности мероприятий и действий по техническому обслуживанию путем сравнения производительности до и после выполнения для лучшего планирования технического обслуживания.

Профилактическое обслуживание

Реагирование: оповещение на основе отремонтированного или замененного объекта.

Предписывающая аналитика: рекомендации по эксплуатации и оптимизация обслуживания.

Подход к классификации: этот подход используется для прогнозирования возможности сбоя на следующих указанных шагах.

Регрессионный подход: этот подход используется для прогнозирования RUL (оставшегося срока полезного использования), т. е. прогнозирования времени до следующего отказа.

Модели глубокого обучения и машинного обучения для профилактического обслуживания:

  • Сеть глубокого убеждения
  • Автокодировщики
  • Рекуррентная нейронная сеть (LSTM)
  • Сверточная нейронная сеть
  • Ограниченная машина Больцмана
  • Консенсусные самоорганизующиеся модели (COSMO)

Объединение и анализ данных для получения точной информации

Начнем с анализа имеющихся данных, чтобы установить параметры нормальной работы машины. Это позволяет формулировать правила посредством мониторинга состояния для анализа данных в режиме реального времени, поступающих непосредственно от датчиков устройства на поток искры через конвейер сбора данных. После анализа данных в режиме реального времени мы добавили исторические и сторонние данные, такие как модели надежности и журналы, чтобы выявить значимые корреляции, шаблоны и тенденции с аномалиями, генерируемыми правилами данных в реальном времени, чтобы сигнализировать о потенциальных сбоях. Эти шаблоны можно использовать для дальнейшего уточнения наших правил и предоставления действенной информации в режиме реального времени.

Оперативные и превентивные действия

Превращение информации, полученной в результате анализа данных, в практические действия путем интеграции оценки рисков для всех активов в нашу работу с помощью единой панели инструментов.

Например, в случае обнаружения потенциальной проблемы панель аналитики инициирует событие, которое позволяет нам отправлять автоматические оповещения заинтересованным сторонам, например, о местоположении, предполагаемой замене компонентов и предлагаемых корректирующих действиях, чтобы избежать катастрофического события. Затем, собирая данные о характеристиках износа замененных деталей, мы можем постоянно совершенствовать наши модели машинного обучения и учиться на основе новых данных о производительности.

Завершение профилактического обслуживания

  • Мы можем сократить незапланированные простои активов до 3,5%
  • Улучшить качество эффективности оборудования
  • Снизить стоимость обслуживания активов
  • Увеличение ROI на активы, следовательно, увеличение прибыли

Как XenonStack может вам помочь?

XenonStack следует подходу к разработке через тестирование при разработке приложений корпоративного уровня в соответствии с методологией Agile Scrum.

Текстовое, прогнозное и статистическое моделирование и аналитика

Наши Услуги по обработке и анализу данных предоставляют решения по текстовой аналитике для извлечения данных из текстовых источников для анализа настроений, кластеризации текста и категоризации с использованием алгоритмов обработки естественного языка. Предсказывайте будущее, предвосхищайте изменения, развивайте гибкость, которая повысит вашу прибыль. Создавайте прогностические и статистические модели для информационных продуктов.

WorkBench для сервисов глубокого обучения и сервисов машинного обучения

В XenonStack мы предлагаем решения для обработки и анализа данных для ученых и исследователей данных для создания и развертывания алгоритмов машинного обучения и глубокого обучения в масштабе с помощью автоматизированных локальных и гибридных облачных решений.

Научные решения для принятия решений

XenonStack Услуги визуализации данных и искусственного интеллекта позволяет разрабатывать интерактивную информационную панель, продукт данных в форме чат-ботов, цифровых агентов и среды принятия решений, рекомендательные системы с прогрессивными веб-приложениями с использованием Angular.JS, React.JS, и реактивное программирование — Scala, Go.

Первоначально опубликовано на www.xenonstack.com 20 декабря 2017 г.