Предиктивный сервис и ремонт оборудования



Предиктивный сервис и ремонт оборудования

Исторически обслуживание оборудования проводилось на основании стратегии «до отказа». В 1920-1930х гг. были разработаны стратегии и подходы ППР (планово-предупредительных ремонтов) оборудования. В 1970-80х гг., с развитием технологий, появились стратегии мониторинга состояния оборудования. Именно эти три стратегии в разных сочетаниях используются в настоящее время на подавляющем большинстве предприятий для оборудования любого типа.

С дальнейшем развитием технологии и удешевлением датчиков измерения параметров оборудования возникла ситуация, когда с оборудования снимается множество самых разных параметров и эта информация хранится годами. Однако для ремонта оборудования эта информация не используется вовсе, а для управления технологическими процессами используется не более 10% контролируемых значений. Кроме того, существующие системы АСУ ТП обеспечивают контроль показателей в очень широких диапазонах и без учета взаимосвязей (корреляции) параметров.

Все эти причины привели к появлению систем предиктивной/прогнозной диагностики или предиктивной аналитики, которые позволяют построить модель работы оборудования (набор взаимосвязанных параметров), обучить эту модель на исторических данных, соответствующих нормальным режимам работы, а затем использовать модель в реальном времени для раннего предсказания отказов оборудования. Новая технология позволяет совершить переход с реактивного и календарного подходов к проактивному (т.е. распознавание отказов и их предотвращение).

Подобные системы обеспечивают значительный эффект:

Повышение готовности оборудования за счет сокращения времени ремонта при одновременном снижении общих ремонтных затрат за счет качественного и своевременного планирования ремонтных работ;

Исключение отказов (т.е. объем выполняемых работ также уменьшается);

Возможность гибкого управления рисками и потерями производства за счет расширения горизонта планирования при принятии решений.

Компания Мейнтекс осуществляет весь комплекс работ, связанных с внедрением технологии предиктивной аналитики на производстве. Совместно со специалистами по надежности заказчика мы проводим анализ критичности оборудования и выявляем наиболее важные и рискованные для производства активы. Далее проводится анализ и подготовка исторических данных. На основе подготовленной информации строятся и обучаются модели, создаются диагностические правила. Наши консультанты выполняют сопровождение созданных моделей после подключения их к реальным данным, участвуют в анализах обнаруживаемых системой проблем и готовят отчеты по результатам работы системы предиктивной диагностики. Мы не используем “стандартные шаблоны”, мы анализируем каждую единицу отдельно, что позволяет заказчику получать достоверные данные и реагировать на малейшие изменения в работе оборудования

Мы предлагаем нашим заказчикам решения от признанных лидеров отрасли – Aveva PRiSM Predictive Asset Analytics и GE Smart Signal.

Источник

Подходы к техническому обслуживанию: как правильно выбрать и избежать ошибок

С момента появления сложного производственного оборудования встал вопрос о поддержании его должного технического состояния, проведения ремонтных работ, обеспечении непрерывности производства и эксплуатации производственных единиц на предельной мощности. С тех пор сформировалось несколько подходов к техническому обслуживанию, обладающие своими преимуществами, недостатками и областями применения. Рассмотрим каждую из них и сравним друг с другом.

Изначально, когда состояние оборудования оценивалось специалистом, принимались во внимание значения выходных параметров: температура, шум, вибрация оборудования и другие параметры. Сегодня диагностика предоставлена датчикам, математическим алгоритмам и сложным системам предиктивного анализа. Тем не менее, первые стратегии технического обслуживания используются и в наши дни.

Читайте также:  Может ли капитальный ремонт быть частичным

Самый первый и простейший подход к техническому обслуживанию — это аварийное обслуживание. Он заключается в проведении ремонта после отказа и считается пассивным.

В условиях, когда он появился, выбора подходов не было: диагностика технического состояния оборудования производилась специалистом с опытом работы на этом оборудовании и незамысловатыми инструментами. Сегодня эта стратегия используется в отношении недорогого вспомогательного оборудования, которое всегда имеется в резерве.

Многолетние наблюдения и фиксация данных об оборудовании в период использования данной стратегии позволили выявить закономерности, среднюю длительность службы тех или иных деталей и составить регламент технического обслуживания. Так появилась стратегия планово-предупредительных работ.

Превентивное обслуживание позволило перейти на безаварийное функционирование оборудования на предприятии. Планово-предупредительный ремонт основывается на техническом обслуживании оборудования до возникновения поломки по специальному регламенту. К сожалению, эта стратегия дает только иллюзию контроля, при этом «съедает» неиллюзорные деньги. На практике в рамках этой стратегии некоторые детали не отрабатывают весь свой потенциал и заменяются раньше времени. Работа производится без особой необходимости, а вмешательство в оборудование может приводить к дальнейшим неполадкам, которых можно было бы избежать. Другие детали выходят из строя раньше положенного по графику срока так же непредсказуемо и неожиданно, как и раньше.

Ремонт по состоянию подразумевает обслуживание составных частей и оборудования с наибольшим износом и риском аварии в определенный момент времени. Данная стратегия позволяет не проделывать лишнюю работу и производить техническое обслуживание и ремонт тогда и в том объеме, в котором это действительно необходимо.

Для стабильного мониторинга технического состояния оборудования необходим относительно высокий уровень цифровизации производства, который часто бывает уже достигнут за счёт встроенных систем самодиагностики оборудования и систем управления им. Для оценки технического состояния их достаточно, а для мониторинга техсостояния достаточно собирать оценки в каждый момент времени. Исходя из оценок, сотрудники службы эксплуатации уточняют график ППР, что является первой стадией обслуживания по фактическому техническому состоянию.

Для прогнозного обслуживания не достаточно знать текущее состояние машины и ее компонент. Необходимо больше данных, чтобы спрогнозировать изменения технического состояния в ближайшие как минимум две недели. Однако даже этого часто бывает недостаточно, потому что непредсказуемые поломки из-за действий человека — не редкость. Поэтому необходимо ещё и программное обеспечение, способное анализировать большие объёмы потоковых данных в режиме реального времени и помочь человеку своевременно проводить ремонт оборудования для гарантии непрерывности бизнеса.

Для такого подхода необходимо внедрение новых датчиков, систем анализа собираемых данных и решения по предиктивной аналитике. Такой набор способен предсказывать наиболее точное время и место появления неполадок и давать рекомендации по необходимому ремонту, автоматически создавать рабочие задания в информационной системе управления ТОиР и контролировать их исполнение, принимать отчётность от работников и отслеживать влияния их работы на фактическое состояние машины.

Цифровизация и инновационные решения по предиктивной аналитике способствовали появлению и развитию эффективных стратегий технического обслуживания оборудования. Современный подход к проблеме имеет много преимуществ, однако требует масштабных предварительных работ и материальных вложений. Это может не соответствовать уровню и стоимости обслуживаемого оборудования.

Читайте также:  Ремонт внедорожников во владимире

В некоторых ситуациях наиболее целесообразным будет выбор простейшего подхода к техническому обслуживанию и ремонту: как с материальной, так и с технической точки зрения.

Чаще всего парк оборудования делится сообразно его готовности к тому или иному подходу ТОиР: прессы ремонтируют по факту поломки, а критически-важные компоненты самолётов — по прогнозу их технического состояния. Современные ИТ-решения позволяют выбирать правильный подход и правильную стратегию под каждый компонент каждой единицы оборудования в многотысячных парках машин.

Источник

Прогнозирование ремонтов оборудования

Переход к Индустрии 4.0 позволяет анализировать информацию о производственном оборудовании для мониторинга и прогнозирования его состояния, благодаря чему можно усовершенствовать управление технологическим процессом компании. Текущие системы ТОиР и АСУ ТП не предоставляют информации о влиянии одних параметров процесса на другие и не дают возможность расширить горизонт планирования использования оборудования.

Чтобы закрыть эти проблемы, Digital Design разработала систему предиктивной аналитики, которая прогнозирует вероятность выхода из строя производственного оборудования и необходимость его дополнительного технического обслуживания. В разработанном решении используются методы машинного обучения для осуществления прогнозной диагностики параметров оборудования в режиме реального времени.

Система основана на прогнозной модели машинного обучения, анализирующей данные с датчиков оборудования, выявляющей отклонения значений и выдающей вероятность поломки. В модель включаются исторические данные, собранные с датчиков на оборудовании, в том числе информация о температуре воздуха, влажности и режимах работы оборудования. Затем производится регрессионный анализ параметров для определения взаимосвязей между ними и осуществляется кластеризация оборудования по корреляции между режимами работы и данными с датчиков.

Для определения возможных отказов оборудования используется метод машинного обучения без учителя, сводящийся к выявлению аномалий в данных. Также система прогнозирует вероятность поломки оборудования через определенное время и предоставляет рекомендации по мерам ее предотвращения.

Источник

Predictive Maintenance: проще предотвратить, чем бороться с последствиями

Современные производства оборудованы, как правило, диспетчерскими системами сбора данных и управления класса SCADA. Программы визуализации помогают операторам выявить отклонения в работе оборудования, но количество данных, поступающих с датчиков, огромно и даже для опытного работника предсказание выхода из строя какого-то узла не всегда очевидно. Возможности базовых средств контроля оборудования, предоставляемых производителем, ограничены, поскольку они не позволяют проанализировать косвенные факторы, влияющие на его состояние, и заранее спрогнозировать критическую ситуацию.

Одна из мер превентивного подхода служб ТОиР – это проведение регламентных работ и обследование оборудования. Однако случается, что внешние факторы, например, климатические, могут повлиять на выход оборудования из строя раньше срока проведения работ. Последствия – дорогостоящие простои, замена деталей, иногда целых узлов, списание сырья, запущенного в технологический процесс. Например, одна из крупных международных химических компаний неоднократно сталкивалась с простоями производства из-за выхода из строя экструдера. Это происходило более 90 раз в год и приводило к убыткам производства, списанию испорченного сырья и сверхурочным работам.

С помощью технологий искусственного интеллекта можно построить модель прогнозирования отказов и перейти к предиктивному обслуживанию оборудования. Система использует исторические данные с датчиков оборудования, которые можно дополнить неструктурированными данными из записей технического обслуживания, тестовыми данными и прочими источниками.

Читайте также:  Ремонт магазинов прайс и цены

Какие данные потребуются для построения модели?

Набор исторических данных в обобщенном сценарии может быть следующим:

  • телеметрия (например, вибро-, электродиагностика, входные параметры сырья, данные с датчиков по температурам, уровням давления, масла и так далее);
  • управляющие воздействия с АСУ ТП;
  • информация об отказах (из системы ТОиР);
  • факторы окружающей среды.

Чем больше данных, тем выше качество модели. Например, если в исторических данных количество отказов не превышает 5 случаев, то требование точности предсказаний отказов на уровне 95% будет завышенным. Поэтому важно накапливать данные, чтобы глубина хранения позволяла строить качественные предсказательные модели с высоким уровнем точности.

Что дальше? Как построить систему предиктивного обслуживания

Сама прогнозная модель законченным решением не является – это необходимое ядро системы. Для того, чтобы внедрить предиктивное обслуживание в бизнес-процесс, необходимо наладить выгрузку данных в систему предиктивного обслуживания в реальном времени. Модель «заживет» и начнет формировать ответы в зависимости от поставленной задачи.

Примером реализации системы может быть веб-портал с разграниченными правами пользователей.

Дашборды пользователей позволяют просматривать:

  • список по контролируемому оборудованию и его состоянии;
  • данные по состоянию узлов в карточке оборудования;
  • список обнаруженных дефектов;
  • прогноз по развитию дефекта или выхода из строя узлов оборудования.

Кроме того, должна быть предусмотрена рассылка уведомлений ответственным пользователям о возникших событиях, связанных с дефектами.

Этапы реализации проекта и сроки

Современные технологии и вычислительные мощности позволяют реализовывать проекты для производства в сжатые сроки. Например, для пилотного проекта построения модели и развертывания системы на производстве потребуется 3-6 месяцев в зависимости от объема технического задания.

В своей практике мы рекомендуем заказчикам придерживаться следующих этапов внедрения системы предиктивного обслуживания:

  • Выбор объектов для проекта

Критерием выбора является критичность выхода из строя оборудования и наличие исторических данных достаточной глубины для построения модели.

  • Написание технического задания

Если своих специалистов, готовых написать техническое задание нет, то оно может быть написано совместно с исполнителем работ или заказано у экспертов для дальнейшего проведения тендера.

  • Реализация пилотного проекта

Пилотные проекты с ограниченным функционалам позволяют получать быстрые результаты, подтверждать или опровергать гипотезы, минимизировать риски.

  • Оценка результата и экономической эффективности

Точность построенной модели на текущих данных может быть неудовлетворительной и пользы не принесет. Важно перед принятием решения о внедрении просчитать экономическую выгоду дальнейшей реализации. Возможно, потребуется накопление дополнительных данных для улучшения качества модели.

    Принятие решения о внедрении

Результат

Благодаря раннему предупреждению о потенциальных отказах и проблемах уменьшается время простоя оборудования. Например, для горнодобывающего производства удалось увеличить длительность полезного использования шаровых мельниц на 600 часов в год.

Возможность удаленного мониторинга и ускорение процесса анализа неисправностей повышают эффективность работы персонала.

Проведение ремонтов по фактическому состоянию оптимизируют графики регламентных работ и позволяют увеличивать прибыль.

Вернемся к примеру про экструдеры, упомянутому в начале статьи.

Результатом внедрения системы предиктивного обслуживания стало 80% сокращение незапланированных простоев и экономия операционных расходов в размере

$300,000 за каждый экструдер. Сейчас компания рассматривает масштабирование решения на другое критически важное оборудование заводов.

Источник