Hľadať

Hlavný obsah

  • Home
  • Preventívna vs Prediktívna údržba
  • Prihlásiť
  • Prihlásenie

Factory Automation

Print page

Factory Automation

Preventívna vs Prediktívna údržba

Tohtoročný Medzinárodný strojárenský veľtrh je pre nás výnimočný - predstavíme Vám výrobnú linku digitálneho veku.
Navštívte náš stánok č.5 v pavilóne M3!
21. - 24.mája 2019, Agrokomplex Výstavnictvo Nitra

Prediktívna údržba

Produktivita firmy závisí vo veľkej miere na tom, ako dobre využíva svoje zdroje. Všetky technológie a systémy aj nástroje používané pri údržbe prešli dlhú cestu. Inžinieri údržby už dávno neriešia otázku: „Čo sa vlastne stalo?“ a identifikáciu problému zaisťuje diagnostická vrstva softwaru alebo automatizačné technológie. Otázku: „Čo sa stalo?“ nahradila otázka: „Prečo sa to stalo?“ – a to je fáza, v ktorej sa v súčastnosti nachádza mnoho firiem. Identifikujeme a odstraňujeme príčiny problémov, činíme závery do budúcnosti, a vďaka tomu znižujeme náklady na využívanie zdrojov. Ďaľším krokom je samozrejme otázka: „Čo sa určite stane?“ Táto otázka zahŕňa zásady prediktívnej údržby, pri ktorej prebieha výmena zariadenia na základe údajov o ich opotrebovaní s potrebným predstihom, čo umožňuje predísť vzniku porúch.
My doporučujeme, abyste sa pýtali: „Čo by sa mohlo stať?“ Naše zariadenia obsahujú radu technológií, ktoré uľahčujú zber veľkého množstva dát, vrátane dát, ktoré zdanlivo nemajú žiadny význam. Tieto dáta môžu po prevedení automatickej analýzy a filtrácii predstavovať základ pre prediktívne systémy, ktoré využívajú potenciál umelej inteligencie. Využitie strojového učenia umožňuje predvídať potenciálne problémy dlho predtým, než sa objavia prvé zreteľné symptómy.

Preventívna údržba

Preventivna údržba (preventive maintenance) funguje v súlade so zásadou, že lepšie je „hrať na istotu“. Preventívne úkony sa plánujú na základe konkrétnych (nie vždy úplných) údajov o strojoch a ich súčastiach. Zohľadňuje sa tu dĺžka prevádzky zariadenia, servisné doporučenie výrobcu a tiež znalosti týkajúce sa štandardného opotrebovania obdobných komponentov. Servisné úkony sa prevádzajú obvykle v dopredu naplánovaných časových slotoch. Takýto postup ale nezohľadňuje skutočné opotrebovanie alebo využitie zariadenia čo vedie k dvom veľmi problematickým situáciám. V prvej situácii môže zariadenie fungovať dobre, a výmena sa tak vykoná celkom zbytočne. V druhej situácii môže dôjsť k tomu, že určité komponenty nevydržia do daľšej plánovanej odstávky a dôjde k vzniku poruchy.

Skúmajte skutočný stav

Rôzne postupy prediktívnej údržby (predictive maintenance) zohľadňujú najmä skutočný stav zdrojov. Vhodne navrhnutný systém vyhľadáva symptómy, ktoré by potenciálne mohli spôsobiť poruchu, a umožňuje tak plánovať servisné úkony s veľkým predstihom. Skúma sa najmä skutočný stav opotrebovania komponentov, a nie ich vek alebo matematický výpočet opotrebovania. Podskupinu postupov, ktoré sa používajú pri preventívnej údržbe, tvorí napr. monitorovanie stavu zariadenia (condition monitoring), vďaka ktorému môžeme pomocou merania napr. teploty alebo vibrácií určiť stupeň opotrebovania jednotlivých zariadení. U pokročilých systémov, ktoré prezentujeme tiež na našom stánku, sa používajú taktiež algoritmy strojového učenia. V takomto prípade systém zhromažďuje obrovské množstvo dát o fungovaní jednotlivých súčastí a algoritmy medzi nimi vyhľadávajú korelácie a anomálie, ktoré možno v praxi ľahko priradiť ku konkrétnemu – budúcemu – problému.

Prvky prediktívného systému

V rámci systému prediktívnej údržby pracujeme s obrovským množstvom dát. Pre to, aby na ich základe bolo možné učiniť konkrétne závery, sústredili sme ich do troch najdôležitejších ukazovateľov, ktoré môžeme považovať za kľúčové ukazovatele výkonnosti
(KPI´s). Jedná sa o:
 Health score - Hodnotenie prevádzkyschopnosti,
 Breakdown possibility - Pravdepodobnosť závady,
 Vibration anomally - Anomálne vibrácie.

Čo je to strojové učenie?
Strojové učenie je spôsob využitia umelej inteligencie pre riešenie problémov, ktoré sa ukazujú ako príliš náročné vo vzťahu ku kognitívnym schopnostiam človeka. Strojové učenie spočíva vo využití veľmi pokročilých algoritmov, vďaka ktorým sa systém môže „učiť“. Jedná sa o interaktívny proces, pri ktorom sa informačný systém prispôsobuje neustále novým údajom tak, aby poskytoval stále lepšie a presnejšie výsledky. V prípade aplikácie strojového učenia v údržbe bude informačný systém analyzovať parametre činnosti zariadenia a bude sa kontinuálne učiť ich „udržať“. To umožní okamžitú identifikáciu aj tých najmenších anomálií, ktoré by v budúcnosti mohli zapríčiniť poruchu.

Naše riešenie v číslach

6
Toľko pohonov majú naše vertikálne roboty. Náš prediktívny systém považuje každý pohon za samostatný prvok. Pomocou parametrov zo servozosilovačov prevádzame hodnotenie fázy starnutia pohonov a mechanických častí stroja. To nám umožňuje, aby sme predvídali potenciálne problémy a vyhodnotili, ako dlho bude stroj schopný ešte fungovať.
V prediktívnom systéme Mitsubishi Electric sa servopohon stáva diagnostickým nástrojom pre celú mechanickú časť (viď Machine Diasnosis).

150
MAPS SERVER 150
Naša najmenšia licencia SCADY, ktorá umožňuje vytvoriť systém, má 150 snímacích bodov. 150 bodov merania postačuje pre predikciu problémov u malého nezávislého stroja. Jadro systému MAPS umožňuje tiež súčasne zobraziť niekoľko desiatok tisíc rôznych premenných.


MACHINE DIAGNOSIS
Jedná sa o funkciu, ktorou sú vybavené všetky naše servopohony. Vďaka nej servopohony sledujú v reálnom čase stav mechanickej časti (pozorovaním mechanického a kinetického trenia). Týmto spôsobom môže pohon indikovať potenciálne mechanické potiaže pred tým, než sa objavia pozorovateľné zmeny.


PLC, Robot, Menič, CNC, Servo
Jedná sa o typy prvkov priemyselnej automatizácie, ktoré sme pripojili k nášmu systému. Mitsubishi Electric je jednou z mála firem, ktoré dodávajú ucelené spektrum prvkov pre priemyselnú automatizáciu. Túto konkurenčnú výhodu využívame tiež tak, že náš prediktívny systém môže hľadať korelácie na signáloch zo všetkých týchto prvkov.


13
Jedná sa o počet autorských funkčných blokov (FB), ktoré sme vytvorili pre systém predikcie. Kód týchto blokov beží mimo skutočný výrobný proces, čo značne uľahčuje implementáciu prediktívnej údržby.

0,4 ms
Jedná sa o frekvenciu, s akou sme schopný vzorkovať parametre servopohonov. Vďaka tomu sme schopný zaznamenať v systéme aj tie najmenšie odchýlky.

200
Jedná sa o počet parametrov, ktoré meriame súčasne na našom veľtržnom stánku. Tieto merania sa využívajú v prediktívnych algoritmoch. Časť hodnôt sa v rámci prediktívnych procesov vypúšťa, sme si ale istý, že všetky dôležité dáta sa do systému dostanú.

4
Na jednej platforme iQ môžu fungovať až štyri rôzne procesory. Vďaka tomu je možné zaisťovať všetky výrobné procesy pomocou jedinej centrálnej jednotky. Všetky procesory zdieľajú svoju pamäť a vďaka tomu je možné prevádzať veľmi zložitú analýzu dát, ktoré pocházdajú z mnohých rôznych zdrojov.

3
Zdravotný stav nášho stroja môžeme zhrnúť pomocou troch ľahko zrozumiteľných ukazovateľov. Prezentačná vrstva výsledkov predikcie je veľmi intuitívna, čo zvyšuje atraktivitu tohoto riešenia z pohľadu pracovníkov zaisťujúcich údržbu.

späť

Hore