Предсказуемое обслуживание приборов на основе ИИ: интеллектуальные изменения от « постпродажного ремонта» до « непредсказуемого»

В эпоху Индустрии 4.0 интеллектуальные приборы стали повсюду, но ценность массивных данных, которые они производят, далеко не полностью раскрыта. Традиционные модели регулярного и последующего обслуживания постепенно заменяются более перспективной и экономичной моделью - прогнозным обслуживанием (PdM). Искусственный интеллект (ИИ) является основным двигателем этих изменений. В этой статье подробно рассматриваются принципы работы, ключевые технологии и пути реализации прогностического обслуживания приборов на основе ИИ, а также анализируется его огромная ценность для бизнеса.

I. Введение: дилемма традиционной модели сохранения

Техническое обслуживание промышленных приборов всегда было одной из проблем в эксплуатации завода, и существуют три основные модели:

1. Последующий ремонт (Breakdown Maintenance):Ремонт после неисправности приборов может привести к незапланированным остановкам, что приведет к огромным производственным потерям и рискам безопасности.

2. Превентивное обслуживание (Preventive Maintenance):Периодический ремонт или замена на основе фиксированных интервалов времени. Этот способ является дорогостоящим и может привести к ненужному обслуживанию приборов, которые все еще находятся в хорошем состоянии, или даже к новым сбоям из - за демонтажа и установки.

3. Контроль состояния (condition - based maintenance):Решение, основанное на данных прибора в реальном времени (например, выходное значение, состояние тревоги), является шагом вперед по сравнению с профилактическим обслуживанием, но, как правило, может быть обнаружено только при приближении сбоя, с коротким временем раннего предупреждения.

Боль этих традиционных моделей заключается в следующем:Отсутствие предсказуемости, низкий уровень использования ресурсов и невозможность избежать незапланированных простоев.

Что такое прогностическое обслуживание на основе ИИ?

Прогнозируемое техническое обслуживание (PdM) - это стратегия технического обслуживания, которая предсказывает потенциальные неисправности, анализируя данные о состоянии устройства до возникновения неисправности. АPdM на основе ИИС помощью алгоритмов машинного обучения (ML) и глубокого обучения (DL), которые учатся на массивных исторических данных и данных в реальном времени, предоставляемых интеллектуальными приборами, создаются модели состояния здоровья, чтобы быстрее и точнее выявлять слабые аномальные закономерности и тенденции развития.

Ее основными целями являются:Точное прогнозирование остаточного полезного срока службы прибора (RUL - Remaining Useful Life) и предупреждение о техническом обслуживании в наиболее подходящее время для достижения « обслуживания по требованию».

Принцип работы и техническая архитектура

Полная система приборов PdM на основе ИИ обычно включает в себя следующие уровни:

1. Уровень данных:

• Источник данных:Интеллектуальные приборы (например, датчики давления, расходомеры, локаторы клапанов, поддерживающие такие протоколы, как HART, Profibus, FF) являются сокровищницей данных. Они предоставляют не только переменные процесса (PV), но и большой объем данных о состоянии устройства (DI - Device Diagnostics).

• Ключевые типы данных:

• Данные процесса:Давление, расход, температура, уровень жидкости и т.д.

• Данные о здоровье оборудования:Показания датчика, обратная связь исполнительного механизма, интенсивность сигнала, качество связи, биты состояния самодиагностики.

• Экологические данные:Температура окружающей среды, вибрация, влажность.

• Сохранение исторических данных:Предыдущие записи о неисправностях, списки ремонтных работ.

2. Пограничный / коллекторный слой:

• Сбор вышеуказанных данных из полевой шины, системы IO или беспроводной сети через шлюз IoT (IoT Gateway) и предварительная очистка, фильтрация и сжатие позволяют периферийным вычислительным узлам выполнять простые модели ИИ для раннего предупреждения в реальном времени.

3.Платформенный уровень (AI Core):

• Это мозг системы. Данные передаются на облачные платформы или локальные центры обработки данных для обучения и работы сложных моделей ИИ.

• Основной алгоритм ИИ:

• Обнаружение аномалий:использоватьИзолированный лес (Isolation Forest), Автокодер (Autoencoder)Алгоритмы неконтролируемого обучения автоматически обнаруживают аномалии в исторических данных без меток.

• Прогноз неисправности:использоватьСеть длинной и короткой памяти (LSTM), сеть свертки временных рядов (TCN)Такие модели глубокого обучения, как обработка данных временных рядов, изучение закономерностей эволюции данных до сбоя и, следовательно, прогнозирование.

• Оценка состояния здоровья:использоватьМодель регрессииилиАналитическая модель выживанияДля вычисления рейтинга здоровья устройства (Health Score) и остаточного полезного срока службы (RUL).

4. Уровень применения:

• Результаты моделирования ИИ представляются пользователям в визуальной и работоспособной форме.

• Формы выражения:Приборная панель (Dashboard), оценка здоровья, раннее предупреждение, рекомендации по обслуживанию, автоматически сгенерированные рабочие листы и так далее.

4 Типичный сценарий применения

1. Прогнозируемое обслуживание клапана управления:

• Вопрос:Застегивание клапана, утечка сальника, разрыв мембраны, неисправность локатора.

• Применение ИИ:Анализируйте сигналы обратной связи, время хода, давление исполнительного механизма и другие данные локатора клапана. ИИ может научиться кривой реакции клапана в здоровом состоянии и предупреждать, как только реакция замедляется, крошечные колебания или изменения давления, необходимые для достижения положения полного открытия / полного закрытия.

2. Прогноз дрейфа датчика давления:

• Вопрос:Длительное воздействие среды на мембрану датчика приводит к медленному дрейфу измеренных значений.

• Применение ИИ:Мониторинг параметров самодиагностики передатчика и статистических характеристик выходного сигнала (например, дисперсии, средних значений). В сочетании с технологическими условиями процесса ИИ может различать, являются ли реальные возмущения процесса или дрейф самого прибора, раннее предупреждение о потребностях калибровки.

3. Контроль производительности насоса и компрессора (с помощью связанных приборов):

• Вопрос:Снижение эффективности насоса, кавитация, повреждение подшипника.

• Применение ИИ:Комплексный анализ давления на входе / выходе, расхода, тока двигателя, показаний вибрационных приборов. Модели ИИ могут устанавливать корреляцию этих параметров в здоровом состоянии, указывая на ухудшение производительности устройства, когда отношения нарушаются (например, поток падает, но ток необычно повышается).

V. Пути осуществления и проблемы

Путь осуществления:

1. Оценка и подготовка данных:Выявление ключевых приборов, обеспечение доступности их данных, управление данными.

2. Проверка концепции (PoC):Выберите конкретный, высокоценный сценарий применения (например, критический контрольный клапан) и проверьте эффективность модели ИИ в небольшом диапазоне.

3. Создание и развертывание платформы:Выберите или разработайте платформу PdM, разверните модель ИИ и интегрируйте ее в существующую систему управления обслуживанием.

4. Масштабирование и оптимизация:Распространение успешного опыта на большее количество устройств, постоянный сбор данных и оптимизация производительности модели.

Основные проблемы:

• Качество данных:"Мусор входит, мусор выходит". Точность, непрерывность и полнота данных являются основой успеха.

• Первоначальные инвестиции:Необходимо инвестировать в инфраструктуру Интернета вещей, платформы и аналитику данных.

• Области знаний:Модели ИИ должны быть глубоко интегрированы с принципами работы приборов и технологическими знаниями, иначе легко прийти к абсурдным выводам.

• Культурные изменения:Команда технического обслуживания должна перейти от традиционных « отзывчивых» режимов работы к « перспективным» моделям принятия решений, основанным на данных.

VI. ВЫВОДЫ И ПЕРСПЕКТИВЫ

Предсказуемое обслуживание приборов на основе ИИ - это уже не отдаленная концепция, а промышленная практика, которая происходит. Он превращает деятельность по техническому обслуживанию из « центра себестоимости» в « центр стоимости», копая ценность данных, и приносит основные ценности, которые включают:

• Значительно сократить незапланированное время простоя

• Продление среднего срока службы приборов

• Повышение эффективности технического обслуживания и сокращение расходов на запасные части и рабочую силу

• Повышение безопасности производства и согласованности продукции

В будущем, с увеличением вычислительной мощности периферийного ИИ и развитием технологий глубокого обучения, прогнозы станут более точными и в реальном времени. Каждый умный прибор станет самосознающимся, самопрогнозируемым интеллектуальным узлом, который вместе создаст более надежную, эффективную и автономную промышленную систему. Для любого бизнеса, стремящегося к работе, принятие прогностического обслуживания на основе ИИ - это уже не вопрос выбора, а ответ.