Print

Prediktivní údržba a monitorování stavu zařízení v prostředí MATLAB

-- 15.07.19

Správná a spolehlivá práce zařízení je důležitou součástí výrobních procesů. Významnou úlohu při chodu zařízení sehrává jejich efektivní údržba. Znalost okamžiku, ve kterém je potřebné provést údržbu, je při provozu klíčová. Moderní metody dokážou odhadnout čas, kdy je vhodné údržbu uskutečnit. MATLAB poskytuje skupinu nástrojů, které pomáhají při vytvoření algoritmů prediktivní údržby, a specializovanou nadstavbu zaměřenou na tuto oblast – Predictive Maintenance Toolbox. 

V každodenním životě se setkáváme se zařízeními, která se časem pokazí, pokud se na nich neprovádí údržba. Společnosti využívají několik strategií údržby k dosažení spolehlivosti a ke snížení nákladů. První strategií je reaktivní údržba, kdy se zařízení opravuje až po poruše. U komplexních a drahých systémů je tento přístup velmi nákladný a časově náročný. Proto je častěji využívanou strategií provádění údržby v pravidelných intervalech. V tomto případě je těžké určit správný čas údržby a častokrát se údržba provádí předčasně, tedy i když je zařízení v pořádku. Pokud bychom byli schopni předpovídat, kdy nastane porucha, mohli bychom naplánovat údržbu ve správný čas. Prediktivní údržba umožňuje odhadnout čas do poruchy na základě dat (měřených na sledovaném zařízení) vytvořením prediktivního modelu. Na druhé straně monitorování stavu zařízení využívá data senzorů ke zjištění změn, které indikují začínající poruchy.

Data základem prediktivní údržby

Základem vývoje algoritmů prediktivní údržby a monitorování stavu jsou data. Data mohou pocházet z více zdrojů, být v různých formátech a časech. Vzhledem k tomu, že většinou zaznamenáváme delší dobu provozu zařízení, od běžného provozu až po poruchové stavy, dat může být mnoho a práce s nimi není vždy jednoduchá. Predictive Maintenance Toolbox poskytuje nástroje pro správu dat ze senzorů, které jsou uloženy lokálně nebo vzdáleně. Opačným extrémem je, když máme dat málo nebo nemáme z poruchových stavů data žádná. V tomto případě můžeme využít metodu Model-Based Design a poruchová data pro algoritmy prediktivní údržby vygenerovat pomocí modelů zařízení v simulačních nástrojích, jako je Skulink nebo skupina nástrojů Simscape.

Předzpracování dat

Dalším důležitým krokem při vývoji algoritmů prediktivní údržby a monitorování stavu zařízení je předzpracování dat. Předzpracování dat zahrnuje úpravy dat, jako jsou odstranění nebo náhrada chybějících údajů, případně odlehlých hodnot. Pokročilejší metody předzpracování dat zahrnují filtraci a vyhlazení signálů. Někdy je vhodnější transformovat signál do jiné domény, jako je například frekvenční oblast (obr. 1). Velkou pomoc při pokročilejším předzpracování dat poskytují nástroje, jako jsou Signal Processing Toolbox nebo Wavelet Toolbox, s množstvím připravených funkcí. Předzpracování pomáhá zjednodušit volbu indikátorů stavu zařízení, které jsou důležité k odlišení běžného a poruchového provozu. Indikátor stavu je charakteristika počítaná z naměřených a předzpracovaných dat, jejíž chování (hodnoty) se mění předvídatelným způsobem s tím, jak systém degraduje nebo přechází do odlišného provozního režimu. Indikátory sehrávají klíčovou úlohu při vytváření algoritmu prediktivní údržby nebo monitorování stavu.

Prediktivní modely

Jádrem algoritmů prediktivní údržby je vytvoření prediktivního modelu. Mezi hlavní součásti nástroje Predictive Maintenance Toolbox patří metody pro výpočet odhadované zbývající životnosti zařízení (Remaining Useful Life – RUL). Modely založené na podobnosti (similarity models) predikují životnost na základě známého chování podobných zařízení z historických dat od spuštění až po poruchu. Tyto modely porovnávají trendy v aktuálních datech (indikátorech) sledovaného zařízení, jež vykazují podobné degradační chování (obr. 2a). Modely založené na přežití (survival models) využívají statistické metody. Jsou výhodné, pokud nemáme historická data, ale pouze údaje o časech poruchy nebo údržby. Na základě těchto dat model odhaduje pravděpodobnostní distribuci časů poruch (obr. 2b). Modely založené na degradaci (degradation models) využívají předchozí chování daného zařízení k předpovídání vývoje budoucího stavu. Tato metoda se snaží natrénovat lineární nebo exponenciální model degradace a určuje zbývající životnost na základě známého prahu selhání (obr. 2c). Model též poskytuje intervaly spolehlivosti odhadu a pravděpodobnost poruchy.

Systémy monitorování stavu zařízení rozlišují mezi poruchou a běžným stavem a nemívají prediktivní charakter, pouze vyhodnocují aktuální situaci. Na vytvoření algoritmu monitorování stavu využíváme podobně jako při prediktivní údržbě indikátory stavu. Jednoduché modely na monitorování stavu mohou zahrnovat jedno nebo více ohraničení indikátorů a signalizovat poruchu, pokud jsou hranice překročeny. Další modely využívají strojové učení k natrénování klasifikátoru, jenž přijímá aktuální hodnoty indikátorů a vrací pravděpodobnost chybového stavu.

Nasazení algoritmu

Po vytvoření algoritmu prediktivní údržby nebo monitorování stavu je možné algoritmus nasadit na lokální produkční systém, cloud nebo koncové zařízení. Nasazení v cloudu je výhodné, pokud do něj sbíráte a ukládáte vaše data. Odpadá tím potřeba přesunu dat mezi cloudovým úložištěm a lokálními počítači, na nichž by algoritmy běžely. Nasazením na koncová zařízení jsou algoritmy blíže strojům, odpadá tím potřeba přesunu velkých datových objemů a informace o stavu zařízení jsou dostupné okamžitě. Poslední možností je vhodná kombinace popsaných přístupů v závislosti na dostupné infrastruktuře, výpočetním výkonu a dalších aspektech. MATLAB poskytuje nástroje k nasazení algoritmů na lokální systém (MATLAB Production Server), cloudová řešení, jako jsou Amazon Web Services (AWS) a Microsoft Azure, případně automatické generování zdrojového kódu pro koncová zařízení.

Prediktivní údržba a monitorování stavu zařízení zahrnuje více oblastí, např. zpracování signálů, identifikaci systémů, modelování systémů či strojové učení a deep learning (obr. 3). Kromě připravených funkcí poskytuje MATLAB přehlednou dokumentaci s příklady pro jednoduchý úvod do problematiky a grafické aplikace, které ulehčí práci bez potřeby psaní programového kódu.

HUMUSOFT s. r. o.
www.humusoft.cz


Sponzorované odkazy

 
Aktuální vydání
Reklama

Navštivte rovněž

  •   Události  
  •   Katalog  

Události

Trendy v robotizaci 2020
2020-01-28 - 2020-01-30
Místo: Best Western Premier / Avanti, Brno
DIAGO 2020
2020-01-28 - 2020-01-29
Místo: Orea Resort Devět Skal ***, Sněžné - Milovy
Trendy automobilové logistiky 2020
2020-02-20 - 2020-02-20
Místo: Parkhotel Plzeň
Úspory v průmyslu
2020-03-03 - 2020-03-03
Místo: Ostrava
AMPER TOUR 2020
2020-03-17 - 2020-03-19
Místo: Brno

Katalog

EWWH, s. r. o.
EWWH, s. r. o.
Hornoměcholupská 68
102 00 Praha 10
tel. 734 823 339

BALLUFF CZ s.r.o.
BALLUFF CZ s.r.o.
Pelušková 1400
19800 Praha
tel. 724697790

B+R automatizace, spol. s r.o.
B+R automatizace, spol. s r.o.
Stránského 39
616 00 Brno
tel. +420 541 4203 -11

Schneider Electric CZ, s. r. o.
Schneider Electric CZ, s. r. o.
U Trezorky 921/2
158 00 Praha 5
tel. 00420737266673

COGNEX
COGNEX
Emmy-Noether-Str. 11
76131 Karlsruhe
tel. 720 981 181

všechny firmy
Reklama


Tematické newslettery




Anketa


Na internetu
V tištěných médiích
Na veletrzích a výstavách
Jinde

O nás   |   Reklama   |   Mapa stránek   |   Kontakt   |   Užitečné odkazy   |   Bezplatné zasílání   |   RSS   |   
Copyright © 2007-2019 Trade Media International s. r. o.
Navštivte naše další stránky
Trade Media International s. r. o. Trade Media International s. r. o. - Remote Marketing Továrna - vše o průmyslu Control Engineering Česko Řízení a údržba průmyslového podniku Inteligentní budovy Almanach produkce – katalog firem a produktů pro průmysl Konference TMI