Данная статья является отрывком из Блога Seebo об индустрии 4.0.

Выполнение обслуживания, которое является реактивным, а не упреждающим, является дорогостоящим и трудоемким. Этот тип обслуживания, независимо от того, основано ли оно на времени или на подсчете, приводит к снижению производительности машины, преждевременной замене деталей, преждевременному износу машины и незапланированному простою.

Predictive Maintenance Analytics позволяет нам раздвинуть границы эффективности производства и достичь цели, которая до сих пор казалась недостижимой — отсутствие незапланированных простоев.

Для этого система профилактического обслуживания Industry 4.0 должна иметь возможность собирать и хранить соответствующие данные, а также анализировать их, чтобы добиваться действенных бизнес-результатов. Это истинная цель профилактического обслуживания.

Как повысить эффективность активов с помощью прогнозной аналитики обслуживания

Исторические данные

Первым шагом в начале работы с предиктивной аналитикой является консолидация всех соответствующих необработанных данных. Прежде чем приступать к сбору вновь созданных машинных данных, важно собрать и систематизировать как можно больше исторической информации.

На этом этапе следует учитывать каждую машину в производственной линии, поскольку эти исторические данные будут чрезвычайно ценными в сочетании с новыми данными, которые в настоящее время собираются и обрабатываются с помощью Historians, QA, ERP и других систем.

Текущие/новые данные

Сбор определенного и точного набора данных занимает центральное место в идее умного завода и, в частности, в Прогнозном обслуживании.

Улучшения в технологии позволили разработать датчики, которые являются надежными, неинтрузивными, недорогими и простыми для интеграции в полную систему промышленного Интернета вещей.

Некоторые распространенные типы датчиков, используемые в промышленности, включают:

  • Датчики давления
  • Датчики температуры
  • Оптические датчики
  • Датчики качества/состояния воды (pH, проводимость, мутность и т.д.)
  • Химические датчики
  • Датчики газа
  • Датчики дыма
  • Датчики уровня (жидкие и твердые материалы)
  • Акселерометры
  • Датчики гироскопа
  • Датчики влажности

Транспорт данных и анализ

Для безопасного извлечения данных с датчиков используются протоколы подключения IoT, такие как MQTT, позволяющие отправлять информацию через шлюз в назначенное облако.

В результате организации и агрегирования данных получается отформатированный набор данных, который можно использовать с различными аналитическими моделями. Результатом является точная поведенческая визуализация каждой машины и рабочего процесса.

Для профилактического обслуживания важны два основных типа данных — статические и временные.

Статические данные относятся к техническим характеристикам и эксплуатационным характеристикам конкретной машины. Эти функции машины по своей сути статичны, но если они могут изменяться с течением времени, с ними должны быть связаны временные метки.

Временные данные – оперативная телеметрия, текущее состояние машины, журнал рабочих заданий, история использования, а также история сбоев и обслуживания.

После того, как данные находятся в облаке, применяются алгоритмы для распознавания шаблонов и получения информации в виде информационных панелей и предупреждений, предоставляя ценную информацию для сокращения времени простоя и повышения эффективности продукта.

Существует множество методов прогнозной аналитики, начиная от моделей линейной регрессии и временных рядов и заканчивая анализом выживания и геопространственным прогнозным моделированием.

Эти методы можно разделить на 2 основные категории:

1. Регрессия — этот набор методов анализа PdM фокусируется на построении математического уравнения как модели, которая представляет взаимодействие между различными элементами в машинном процессе.

Например, с помощью модели линейной регрессии связь между переменной ответа (зависимой) и группой предикторов (независимых) переменных можно проанализировать и выразить в виде уравнения, предсказывающего переменную ответа как линейную функции всех влиятельных элементов. Эту модель можно дополнительно оптимизировать, минимизировав размер остатка и проверив, что он распределяется случайным образом в соответствии с прогнозами, которые предлагает модель.

В случаях, когда выходные данные (переменная ответа) являются дискретными экземплярами, а не непрерывными, можно использовать модель Дискретного выбора вместо нескольких экземпляров модели линейной регрессии, упомянутой выше.

Другой аналитический метод, подпадающий под категорию регрессии, – логистическая регрессия, который подходит для случаев, когда зависимая переменная является бинарной, и мы хотели бы преобразовать эти данные в несвязанную непрерывную переменную, оценивая общую многомерную модель.

Для построения прогнозов используются отношение правдоподобия и критерии Вальда для измерения статистической значимости каждого коэффициента b в модели. Наконец, для оценки степени соответствия используемой модели классификации используется тест «Правильно предсказанный процент».

2. Машинное обучение. Методы анализа PdM, основанные на машинном обучении, позволяют прогнозировать зависимые переменные напрямую, без необходимости сосредотачиваться на отношениях между переменными. Это может быть очень полезно в сценариях, где определение зависимостей между переменными чрезвычайно сложно.

Методы машинного обучения имитируют характеристики человеческого познания и учатся, «тренируясь» на примерах задач, формируя способность предсказывать будущие события.

Использование прогнозной аналитики обслуживания

Упомянутые выше аналитические процессы порождают прогнозные модели, которые могут помочь нам определить оптимальное время для выполнения технического обслуживания и тип необходимого обслуживания до того, как производительность актива упадет ниже порогового значения.

Поскольку модель PdM основана на реальном поведении машины, можно предсказать любые отказы оборудования, что делает эту технологию переломным моментом для производителей. Ремонт становится более целенаправленным, а вторичное повреждение предотвращается, поскольку технические специалисты знают точный тип проблемы, к которой нужно подготовиться, что делает незапланированные простои не проблемой.