• Home
  • Aktuálne
  • PREDVÍDANIE (BUDÚCNOSTI) S MITSUBISHI ELECTRIC
  • Prihlásiť
  • Prihlásenie

Factory Automation

Print page

PREDVÍDANIE (BUDÚCNOSTI) S MITSUBISHI ELECTRIC

Tohoročný Medzinárodný strojárenský veľtrh v Brne je pre nás výnimočný - predstavíme Vám výrobnú linku digitálneho veku.
Navštívte náš stánok 134 v pavilóne P!

Virtualizácia výroby

Všetky zariadenia našej hlavnej demo aplikácie Predictive Maintenance, s robotom série FR, komunikujú s rozsiahlou výrobnou linkou, ktorú sme tentoraz umiestnili v digitálnom svete - skutočné zariadenia spolupracujú s výrobnou linkou umiestnenou v 3D simulácii – viď obrázok nižšie. Všetko prebieha pomocou protokolu OPC UA, ktorý sa v súlade s predpokladmi Priemyslu 4.0 stane do budúcna hlavným priemyselným komunikačným protokolom.

V čom spočíva naše riešenie?

Pre našich zákazníkov sme pripravili systém, ktorý zhromažďuje dáta z naších komponentov automaticky. Sledujeme rôzne parametre činnosti našich pohonov. Všetky pohony v takomto systéme považujeme za samostatné prvky, lebo každý z nich nám môže poskytnúť rôzne informácie. Zber s frekvenciou až 0,4 ms, ktorú používame, by viedol ku vzniku terabytov dát. Náš systém tieto dáta spracuváva a analyzuje a v databáze sa ukladajú iba tie najdôležitejšie.
Naša SCADA (MAPS – Mitsubishi Adroit Process Suite) slúži pre agregáciu dát a vizualizáciu základných parametrov prevádzky. Najdôležitejším prvkom tohto systému je umelá inteligencia, ktorá vyvodzuje závery o stave jednotlivých súčastí a indikuje prípadnú požiadavku na prevedenie servisných úkonov.

K čomu slúži pri prediktívnej údržbe vizualizácia?


Dáta, ktoré sa používajú v rámci strojového učenia, by teoreticky mohli byť predané priamo na určitú výpočtovú platformu a užívateľ by mohol ako spätnú väzbu obdržať informácie o predpokladanej dobe výskytu poruchy. Dáta o fungovaní jednotlivých komponentov môžu poskytovať mnoho dôležitých informácií – napr. sledovanie zmien určitého parametru v čase môže pomôcť pri plánovaní úkonov.


PREDICTIVE MAINTENANCE
Produktivita firmy závisí vo veľkej miere na tom, ako dobre využíva svoje zdroje. Všetky technológie a systémy i nástroje používané pri údržbe prešli dlhú cestu. Inžinieri údržby už dávno neriešia otázku: „Čo se 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, podnikáme závery do budúcna, a vďaka tomu znižujeme náklady na využívanie zdrojov. Ďalším krokom je samozrejme otázka: „Čo sa určite stane?“ Táto otázka zhrňuje zásady prediktívnej údržby, pri ktorej prebieha výmena zariadení na základe údajov o ich opotrebovaní s potrebným predstihom, čo umožňuje predísť vzniku porúch.
My doporučujeme, aby ste 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 vykonaní automatickej analýzy a filtrácii predstavovať základ pre prediktívne systémy, ktoré využívajú potenciál umelej inteligence. Využitie strojového učenia umožňuje predvídať potenciálne problémy dlho predtým, než sa objavia prvé zreteľné symptómy.

Preventive vs Predictive

PREVENTIVE
Preventívna údržba (preventive maintenance) funguje v súlade zo 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 vykonávajú obvykle v dopredu naplánovaných časových intervaloch. Takýto postup ale nezohľadňuje skutočné opotrebovanie alebo využitie zariadení, čo vedie k dvom veľmi problematickým situáciám. V prvej situácii môže zariadenie fungovať dobre, a výmena sa tak vykoná úplne zbytočne. V druhej situácii môže dôjsť k tomu, že určité komponenty nevydržia do daľšej plánovanej odstávky a dôjde ku vzniku poruchy.

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

PRVKY PREDIKTIVNÉHO SYSTÉMU

V rámci systému prediktívnej údržby pracujeme s obrovským množstvom dát. Pre to, aby na ich základe bolo možné vykonať 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 interaktívne procesy, pri ktorých 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 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 vykonávame hodnotenia fázy stárnutia pohonov a mechanických častí strojov. 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 niekoľko 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 faktický 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 istí, 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 zdielajú svoju pamäť a vďaka tomu je možné vykonávať veľmi zložitú analýzu dát, ktoré pochádzajú 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 tohto riešenia z pohľadu pracovníkov zaisťujúcich údržbu.

späť

Dopyty
Kontakt
Informačná základňa
Pomoc