Преодоление препятствий для профилактического обслуживания

 

 

Существует несколько ключевых барьеров на пути внедрения технологий прогнозного обслуживания, но их можно устранить.

Диагностическое обслуживание дает много обещаний, включая сокращение времени простоя и устранение ненужного обслуживания. Однако важно не мешать инженерным и бизнес-задачам. Общие препятствия и аргументы для реализации включают в себя:

 

  • У нас недостаточно данных для создания системы прогнозного обслуживания.
  • Многие прогностические подходы к обслуживанию основаны на алгоритмах машинного обучения, поэтому для создания точной модели должно быть достаточно данных.
  • Для профилактического обслуживания эти данные обычно поступают от датчиков на оборудовании.
  • Если датчики новые или способ регистрации показаний ограничивает информацию, вам нужно подумать о том, как лучше всего получить доступ к данным, достаточным для построения ваших моделей.

Внимательно посмотрите на список источников данных. Пользователи могут обнаружить, что их отдел не собирает достаточно данных для обеспечения работы системы прогнозного обслуживания. Подумайте, собирают ли данные и другие отделы. В зависимости от того, где находится пользователь в цепочке поставок, также стоит посмотреть соглашения с поставщиками или клиентами. Сотрудничество для продления работоспособности и эффективности компонентов оборудования может поставить компанию в беспроигрышную ситуацию, которая способствует доступу к данным между бизнес-структурами.

Некоторые системы работают в режиме пира или голода, когда данные не собираются, пока не произойдет сбой. Другие регистрируют только коды событий и отметки времени: инженеры получают уведомление о том, что произошло событие, но не значения датчика во время сбоя. Хотя эти данные могут быть полезны для диагностики, их, вероятно, недостаточно для разработки моделей, которые могут прогнозировать сбои.

Рассмотрите возможность изменения параметров регистрации данных, чтобы записать больше данных, возможно, в тестовом режиме, если производственные данные недоступны. В зависимости от нагрузки на существующие встроенные устройства, может быть возможно перенастроить их для сбора и передачи данных датчика, или для начала могут потребоваться внешние регистраторы данных.

Используйте инструменты моделирования для синтеза данных - генерируйте тестовые данные, используя инструменты моделирования, и объединяйте эти данные с тем, какие данные датчика доступны для построения и проверки алгоритмов прогнозного обслуживания. Это делается путем создания моделей, которые охватывают механическую, электрическую или другую физическую систему, подлежащую мониторингу. Синтезируйте данные образца и сверяйте их с данными измерений, чтобы убедиться, что модель хорошо откалибрована. Это можно сделать сначала на уровне компонентов, а затем на системном уровне для сложных систем.

При рассмотрении данных для системы прогнозного обслуживания, начните анализировать ее заранее, чтобы понять, какие функции важны, а какие могут быть избыточными. Хранение данных, которые не будут использоваться, может быть дорогостоящим.

Данные о сбоях являются важной частью обучающих алгоритмов распознавания предупреждающих знаков, запускающих своевременное обслуживание. Данные о сбое могут отсутствовать, если обслуживание выполняется так часто, что сбоев не было, или система критична по безопасности и не может быть оставлена для сбоя. Чтобы это не привело к фатальному дефициту, пользователи могут смоделировать данные о сбоях и научиться распознавать предупреждающие знаки.

Инженер, обладающий глубокими системными знаниями о том, как работают физические компоненты, сможет генерировать образцы данных о сбоях с помощью подходящих инструментов. Такие инструменты, как анализ видов и последствий отказов (FMEA), предоставляют полезную отправную точку для определения того, какие ошибки имитировать. Инженер с достаточным знанием предметной области может включить эти модели поведения в различные сценарии, которые имитируют сбои, регулируя температуры, скорости потока или вибрации или добавляя внезапные сбои. Эти сценарии затем могут быть смоделированы, а полученные данные об ошибках помечены и сохранены для дальнейшего анализа.

Хотя данные об ошибках могут отсутствовать, данные об операциях могут показывать тенденции того, как машина ухудшается со временем. Статистические методы, такие как анализ главных компонент (PCA), могут дать ценную информацию о том, как оборудование работает с течением времени, превращая необработанные данные датчиков в нечто, что можно легче визуализировать и анализировать.

Понимание причины сбоя важно, но есть существенная разница между выявлением того, что пошло не так, и знанием того, как его предсказать. Анализ первопричин (RCA) является неотъемлемой частью знания предметной области, которая в сочетании с алгоритмами прогнозного обслуживания создает эффективную программу прогнозного обслуживания. Пользователи могут предпринять эти шаги, чтобы уменьшить кривую обучения, если алгоритмическая часть уравнения является новой и пугающей.

Важно определить цели заранее. Затем пользователи должны подумать о том, как алгоритм прогнозного обслуживания повлияет на эти цели. Создание инфраструктуры, которая может тестировать алгоритм и оценивать его производительность относительно поставленных целей, позволит ускорить итерации проекта.

Начните с малого. Если пользователь уже знает причины сбоев, то знание области уже есть. Выберите проект, используя глубоко понятную систему для практики. Пользователи должны понимать особенности и факторы, влияющие на производительность системы, и создавать алгоритм прогнозного обслуживания. В качестве простейшей отправной точки рассмотрим, является ли пороговое значение элемента значительным показателем обслуживания (обычно это делается с помощью контрольных диаграмм). Как только команда освоит создание алгоритмов для простой задачи, она сможет применить эти знания к более сложным системам.

Когда алгоритмы прогнозного обслуживания начинают демонстрировать многообещающие знания предметной области для настройки моделей для прогнозирования различных результатов на основе стоимости / серьезности этих результатов. Для дальнейшей проверки моделей добавьте сгенерированные данные об ошибках, аналогичные известным историческим условиям, и протестируйте систему. Это создаст уверенность в том, что процесс работает.

Каждая новая технология требует инвестиций, которые должны быть оправданы. Если машинное обучение было введено совсем недавно, естественно, что его можно считать продвинутым применением риска. Однако пользователи могут предпринять шаги, чтобы минимизировать этот риск, и как можно быстрее приступить к работе с работающей моделью прогнозного обслуживания.

Вместо того, чтобы пытаться внедрить новую технологию и технику, воспользуйтесь преимуществами уже имеющихся возможностей программного обеспечения и сфокусируйтесь на новых методах. Некоторые инструменты уже имеют специальные возможности прогнозного обслуживания, что позволяет инженерам продолжать работу в среде, которую они знают.

Данные могут быть получены из нескольких источников, таких как базы данных, электронные таблицы или веб-архивы. Убедитесь, что данные в правильном формате, включая отметки даты и времени. Болевые точки часто связаны с тем, как организовать данные для анализа. Если у пользователя недостаточно данных, он может сгенерировать их из физической модели машины, чтобы дополнить нормальное использование, изменяющиеся значения параметров, другую динамику системы или сбои сигнала.

Если данные поступили из разных источников, их также необходимо будет объединить. Если аномалии устранены, подумайте, следует ли заменить их приблизительными значениями или работать с меньшим набором данных.

Вместо того, чтобы вводить данные датчика непосредственно в модели машинного обучения, обычно характеристики извлекают из данных датчика. Эти функции захватывают информацию более высокого уровня в данных датчика, например, скользящие средние или частотный контент. Использование знакомых инструментов для выполнения методов извлечения признаков упрощает этот шаг. Итеративный подход - при котором функции добавляются, обучаются новые модели и сравнивается их производительность - может хорошо работать для определения эффективности различных функций в результатах.

Для обучения данные модели должны быть классифицированы как исправные / неисправные, установить пороговые значения и оценить оставшийся срок полезного использования компонентов. Пользователям необходимо создать список сценариев возможных отказов, выбрать методы классификации и смоделировать модели. Приложения предоставляют графические интерфейсы для применения машинного обучения, которые позволяют легко начать работу и сравнивать результаты обучения по многим различным типам моделей.

Модели могут быть развернуты на встроенных устройствах путем преобразования их в язык низкого уровня, например C, или они могут быть интегрированы с другими приложениями в ИТ-среде. Боль здесь часто связана с незнанием генерации кода и ИТ-интеграцией. Существуют инструменты, которые могут автоматически упаковывать модели для запуска в производственной среде.

Диагностическое обслуживание - достижимая цель, благодаря правильным инструментам, руководству и мотивации. Найдите функции, модели и методы, которые работают для бизнеса, и выполняйте итерации до тех пор, пока у вас всё не получиться.

Джос Мартин - старший технический менеджер в MathWorks. Под редакцией Криса Вавры, редактора производства, Control Engineering, CFE Media, cvavra@cfemedia.com. Эта статья первоначально появилась на веб-сайте Control Engineering Europe.