Údržba na bázi umělé inteligence

Informace získané z provozních dat podporují pokročilou formu prediktivní údržby. 

Průmysl 4.0 a digitalizace nabízejí možnost optimalizovat provozní operace a údržbu. Inovace, jako je digitalizace, umělá inteligence (AI), strojové učení (ML), neuronové sítě a cloud computing, zvýšily schopnost shromažďovat, analyzovat a sledovat zdravotní stav zařízení v reálném čase.

Díky těmto pokročilým monitorovacím zařízením a analytickým metodám mohou inženýři zodpovědní za spolehlivý provoz zařízení vystupňovat tlak na zavádění programů prediktivní údržby (PdM), aby dosáhli ziskovosti, včetně:

  • optimalizace životnosti klíčových zařízení;
  • minimalizace neplánovaných prostojů;
  • řízení nákladů na údržbu;
  • zlepšení bezpečnosti a provozuschopnosti podniku.

Údržba může být ziskové centrum

Energetické a chemické/petrochemické výrobní závody představují velmi složité a komplikované objekty. Řada zařízení a položek infrastruktury řídí, obsahuje a skladuje suroviny, procesní kapaliny a plyny. Snížení prostojů procesních jednotek a provozů v důsledku nepoužitelného zařízení a systémů představuje ústřední bod pro zvýšení zisku dané společnosti.

smar maintenance 1Obrázek 1: Kořenové příčiny havárií a bezpečnostních událostí ve zpracovatelském průmyslu. Autorskými právy na všechny uvedené obrázky disponuje společnost Nanoprecise Sci Corp.

Mechanická porucha bývá hlavní příčinou havárií zařízení ve zpracovatelském průmyslu (obr. 1), zatímco výpadky zařízení vedou k 36 % neplánovaných odstávek podniků (obr. 2). Vytváření propracovanějších programů údržby a plánování zvyšuje úroveň provozní dokonalosti a provozuschopnosti zařízení.

smar maintenance 2Obrázek 2: Kořenové příčiny neplánovaných prostojů ve zpracovatelském průmyslu

„Inteligentní“ údržba generuje zisk

Podle nedávné zprávy společnosti McKinsey může PdM zvýšit dostupnost zařízení (jak procesní jednotky, tak i zařízení) o 5 až 15 %. Optimalizované činnosti PdM prodlužují životnost klíčových zařízení o 20 až 40 %. Důležitější je, že právě díky PdM můžeme efektivně snížit náklady na údržbu z 18 na 25 %. Zlepšené monitorování a včasná proaktivní údržba významně snižují náklady na opravy a výměnu u klíčových zařízení a minimalizují neplánované prostoje a ztrátu produktivity. Kromě toho může neočekávaná porucha zařízení vést ke ztrátám větším, než je pořizovací hodnota nahrazovaného zařízení.

Výhody PdM

smar maintenance 3Obrázek 3: Míra selhání hlavních zařízení v podniku
Obecně platí, že rotační a pístová zařízení vykazují nejvyšší počet poruch (obr. 3). Problémy s vibracemi jsou hlavními příčinami poruch rotačních zařízení, zejména čerpadel. Všechna rotující zařízení vibrují, avšak změny úrovně vibrací v čase jsou ukazateli možných problémů. V průmyslu zpracování uhlovodíků spotřebuje asi 7 % používaných čerpadel 60 % peněz na údržbu a opravy čerpadel. Nalezení a řešení základních příčin vibrací nebo teplotních změn tak nahrazuje pouhou léčbu symptomů.

Aby se zabránilo opakovanému vzniku poruch, musejí provozovatelé čerpadel udělat vše pro to, aby posunuli postupy běžné údržby na vyšší úroveň. Rostoucí využívání inteligentních výrobních strategií a cloud computingu přispěje ke zvýšení integrity činností PdM.

Nejedná se o nový koncept

Od 70. let minulého století začali pracovníci údržby instalovat piezoelektrické snímače zátěže, aby bylo možno monitorovat a detekovat problémy s výkonem čerpadel a motorů. Tyto prvotní metody však bohužel narážely na problémy s kontinuitou při sběru dat. Dotyčné snímače vibrací často fungovaly na různých frekvencích a amplitudách a měly své vlastní počáteční příznaky.

Rozluštit smysl dat získaných ze snímačů a jejich převedení do použitelných informací dokázali jen odborníci. Snímače byly často ztraceny nebo odstraněny během provádění rutinních úkonů údržby. Prvotní snímače byly fyzicky připojeny k minipočítačům nebo terminálům pomocí vodičů. Různé kontaminující látky, jako jsou nečistoty a mazací oleje, degradovaly signály těchto snímačů. Technici zodpovědní za spolehlivý provoz a údržbu zařízení zjistili, že prvotní metody monitorování vibrací nepřinesly požadované výsledky.

Pokrok v oblasti minipočítačů, terminálů a přenosných snímačů přispěl ke zdokonalení programů sloužících k monitorování zařízení. Informace v reálném čase a datová konektivita však zůstaly omezené kvůli možnostem počítačového hardwaru a softwaru. Převod signálů snímačů vibrací na použitelné informace představoval i nadále zdlouhavý úkol. Kromě toho byly datové trendy a informace ztlumeny v databázích a nebyly snadno sdíleny mezi uživateli.

Metody monitorování zařízení na dálku byly začleněny do programů preventivní údržby. Množství shromážděných dat nikdy nepředstavovalo problém. V některých případech příliš velké množství dat snížilo schopnost najít klíčové informace o zdravotním stavu zařízení. Dlouhodobým problémem zůstalo pochopit, co získaná data naznačují o aktuálním stavu zařízení. Jednoduše řečeno, nemůžete účinným způsobem napravit něco, čemu nerozumíte.

Metody monitorování vibrací se stále snaží poskytovat a konvertovat shromážděná data do spolehlivých informací v reálném čase. Během provádění pravidelných a preventivních programů údržby je až příliš často odhalen zhoršující se stav rotujícího zařízení.

Monitorování zařízení prováděné v reálném čase

V posledních deseti letech umožňuje využití bezdrátových technologií, cloud computingu, chytrých provozních přístrojů a umělé inteligence (AI) správu zařízení prostřednictvím pokročilých PdM programů. Zatímco preventivní údržba je prováděna na základě doporučeného plánu výrobce, PdM posouvá činnosti údržby na další úroveň. V PdM vytvářejí procesní a technologická data v reálném čase trendy a historie, které se používají k předpovídání změn v rámci procesního zařízení. Prodloužení provozuschopnosti zařízení a zkrácení výrobních procesů díky zdokonaleným programům spolehlivosti/údržby, jako je například pokročilá technologie PdM, přispívají ke zvyšování úrovně provozní dokonalosti a bezpečnosti celého podniku.

Pokročilá analýza PdM

Aby programy PdM byly efektivní, vyžadují přítomnost důkladných a platných dat včetně analytických nástrojů; jen tak je možné rozhodovat na základě dostupných informací. Nedávné pokroky v AI a ML (strojové učení) umožňují analyzovat a převádět velké objemy shromážděných dat do vzorů. V rámci monitorování rotačních a pístových zařízení využívají pokročilé snímače vibrací cloud computing pro nahrávání dat v reálném čase v různých formátech. Inovativní algoritmy AI a ML, postavené na kombinaci softwaru a neuronových sítí, převádějí a analyzují data bezdrátových snímačů.

Tyto informace generují trendy, které identifikují normální a nezdravé provozní činnosti. Důležitější je, že algoritmy AI se „učí“ z přenášených dat naměřených vibrací a rozlišují mezi „normálními“ či nepřijatelnými signály.

S použitím prediktivní analýzy založené na AI, ML a neuronových sítích je možný vzájemný vztah týkající se výkonu klíčových zařízení. Tyto validované analytické nástroje slouží k identifikaci skutečných příčin odchylek výkonů rotačních a pístových zařízení. Včasná identifikace poruch umožňuje zvolit optimální nápravná opatření, ještě než dojde k podstatnému poškození zařízení nebo k jeho selhání, čímž se minimalizují náklady na opravy, dochází ke snížení neplánovaných prostojů a je zajištěn bezpečný provoz.

Zhoršující se stav čerpadel a kompresorů nelze vypozorovat pomocí vizuálních nebo běžných kontrol stavu. Algoritmy AI a ML identifikují vzory z historie a detekují pokles výkonu, což dokazují odchylky v trendech daného zařízení. Problémy s výkonem zařízení jsou identifikovány mnohem dříve než prostřednictvím tradičních preventivních metod údržby. Systémem generované alarmy upozorňují techniky údržby, že je nutno provést další prošetření.

Rovněž prediktivní analýza založená na AI jde nad rámec pouhého oznámení o poruše. Data a provozní historie se používají pro odhad zbývající životnosti (RUL) selhávajícího zařízení nebo jeho součásti. Díky RUL mají technici údržby a spolehlivosti k dispozici kompletní informace pro plánování oprav a výměnu zařízení, které mají následně minimální dopad na dobu provozuschopnosti celého procesu.

Vizualizace dat

Data bez upřesnění mají pouze omezenou hodnotu. Základem PdM je vizualizace dat. Pokročilé PdM využívá analytické a neuronové sítě založené na AI k převedení shromážděných dat na použitelné informace. Obvykle obsahují řídicí panely, které umožňují uživatelům rychle zjišťovat údaje o stavu zařízení a sledovat trendy. S takovou grafikou jsou technici schopni snadno interpretovat zdravotní stav zařízení / procesní jednotky a učinit informovanější rozhodnutí řízená daty. Navíc jsou odhady RUL shrnuty do grafické formy pro zajištění centralizované informovanosti.

Zabezpečené bezdrátové technologie a mobilní aplikace propojují pokročilé snímače s cloudem pro analýzu pomocí softwaru AI a ML. Při plné aplikaci průmyslového internetu věcí (IIoT) a cloud computingu mohou technici údržby neustále kontrolovat zdravotní stav zařízení kritických pro daný proces. Schopnost předpovědět RUL a „čas do vzniku poruchy“ je neocenitelná. S takovými informacemi mohou servisní a provozní skupiny plánovat opravy předem, místo aby pouze reagovaly na nouzové odstavení nebo neplánovaný výpadek.

Případová studie: Elektrárna L&T Nabha

Elektrárna L&T Nabha je první nadkritickou uhelnou elektrárnou a jedním z nejúčinnějších elektrárenských zařízení v Indii. Toto zařízení provozuje dvě 700MW nadkritické tepelné jednotky a je hlavním poskytovatelem elektřiny ve státě Paňdžáb v severní Indii. Jako hlavní poskytovatel energie představuje spolehlivost elektrárny Nabha klíčovou záležitost pro daný region. Neplánovaná nutnost údržby a odstávky tohoto elektrárenského bloku má dramatický a nepříznivý vliv na produktivitu a ziskovost regionálních podniků a rezidenčních zákazníků. V této elektrárně bohužel za jeden rok došlo ke třem neplánovaným prostojům v důsledku havárií čerpadel.

smar maintenance 4Obrázek 4: Toto kondenzátní čerpadlo zaznamenalo vleklé problémy s projevy kavitační eroze a nadměrných vibrací, které vedly k poruchám ložisek a neplánovanému výpadku elektrárenského bloku Nabha

V oblasti výroby elektrické energie jsou čerpadla klíčovým technologickým zařízením. Kondenzátní čerpadlo je jedním z čerpadel, které hraje zásadní úlohu pro udržení ustáleného provozu zařízení (obr. 4). Jedná se o horizontální lopatkové čerpadlo s výkonem až 1 650 m³/hod s výtlakem 9 MPa (62 psi) při 986 ot./min. Každý den, kdy je toto čerpadlo mimo provoz, přichází elektrárna až o 250 000 USD v ušlých příjmech. Neplánovaný zásah údržby či porucha tohoto čerpadla mají za následek to, že náklady na opravy přesahují desítky tisíc dolarů.

U kondenzátních čerpadel docházelo velmi často k neplánovaným prostojům, které byly způsobeny poruchami, a to kvůli kavitační erozi. Jako pro primárního poskytovatele elektrické energie v tomto regionu představovala spolehlivost provozu kondenzátních čerpadel nejvyšší prioritu.

Pro zamezení vzniku poruchových stavů a zvýšení provozuschopnosti celého bloku se zodpovědní techničtí pracovníci závodu rozhodli pro instalaci monitorování vibrací v reálném čase a pokročilého řešení prediktivní analýzy založené na AI u všech kondenzátních čerpadel. Nová strategie monitorování byla zaměřena na včasné zjištění poruchy čerpadla a jeho součástí. Kromě detekce poruch toto řešení monitorování zahrnovalo algoritmy založené na AI, které poskytují spolehlivé odhady RUL před následným přerušením provozu. K vyřešení problémů s poruchami ložisek u těchto kondenzátních čerpadel bylo nainstalováno několik pokročilých bezdrátových snímačů pro monitorování:

  • ložiska na hnané straně u elektromotoru;
  • ložiska na hnací straně u elektromotoru;
  • ložiska na hnací straně u čerpadla;
  • ložiska na hnané straně u čerpadla.

smar maintenance 5Obrázek 5: S přihlédnutím k předchozím pracovním příkazům na servisní práce údržby zvolili zodpovědní technici optimální umístění nejmodernějších akustických snímačů vibrací

Monitorovací systém používal zabezpečené Wi-Fi snímače pro kontinuální shromažďování a nahrávání naměřených dat vibrací prostřednictvím cloudu. Algoritmy AI založené na cloudu analyzovaly a zpracovávaly shromážděná data.

Přibližně šest týdnů po instalaci pokrokových snímačů a analytického systému upozornil nový monitorovací program personál údržby, že došlo k poruše lopatky. To mělo za následek projev kavitační eroze u kondenzátního čerpadla. Pracovníci údržby tuto závadu ověřili pomocí přenosného přístroje na monitorování vibrací a provedli částečnou demontáž, aby vizuálně potvrdili poškození lopatek čerpadla. Před opětovným uvedením čerpadla do provozu byla provedena dočasná oprava poškozených lopatek.

Pomocí pokročilého systému PdM založeného na technologii AI byl proveden odhad zbývající životnosti před úplným selháním na 25 dní. Tím vznikl dostatečný časový prostor na naplánování výměny čerpadla během již plánovaného zásahu údržby. Díky aplikaci prediktivních schopností založených na AI a také díky pokročilým funkcím monitorování vibrací se elektrárenský blok L&T Nabha vyhnul vážnému selhání čerpadla a neplánovaným prostojům. Včasná intervence omezila objem potřebných oprav a minimalizovala přerušení provozu celého bloku.

Nejsou to jen černé skříňky

IIoT, cloud computing a bezdrátové technologie podporují analýzu dat založenou na AI jako součást pokročilého programu PdM. Při plném použití metod AI a ML mohou inženýři detekovat anomálie nebo závady u klíčových zařízení v dostatečném předstihu před vznikem poruchového režimu. Pokročilé bezdrátové vibrační/akustické snímače podporují programy PdM při shromažďování a nahrávání dat v reálném čase.

smar maintenance 6Obrázek 6: Pokročilé bezdrátové akustické snímače byly nainstalovány pomocí silného magnetu a dvousložkového epoxidu, aby vydržely náročné provozování tohoto čerpadla

S využitím algoritmů AI, ML a neuronových sítí rozvíjejí pokročilé analytické nástroje historické trendy sledovaných zařízení nebo komponent. S kompletní provozní historií identifikují analytické nástroje založené na AI změny v trendových datech a odhadují RUL sledovaného zařízení. Pomocí RUL jsou pracovníci údržby schopni přijmout nápravná opatření značně dříve, než dojde k samotné poruše, a zaměřit se tak na udržení zařízení v bezpečném provozním režimu. Pokročilé programy PdM podporují vylepšené plány údržby založené na výsledcích, které prodlužují provozuschopnost zařízení a zvyšují bezpečnost provozu.

Sunil Vedula je zakladatel společnosti Nanoprecise Sci Corp. a Don McClatchie je viceprezident této společnosti. Společnost Nanoprecise Sci Corp. sídlí v Edmontonu v provincii Alberta v Kanadě. 

Řízení a údržba průmyslového podniku

Časopis Řízení a údržba průmyslového podniku již přes 10 let patří mezi neodmyslitelný zdroj informací v oblasti průmyslové údržby a diagnostiky. Část obsahu je z pera licenčních autorů Plant Engineering z USA.

www.udrzbapodniku.cz