К основному контенту

Как прогнозировать техническое состояние производственного оборудования: пример решения!

Как прогнозировать техническое состояние производственного оборудования: пример решения!

Решение задач прогнозирования технического состояния производственного оборудования базируется на анализе и интеллектуальной диагностике текущих отклонений в процессах работы технологических установок, выполняемой специализированными автоматическими компьютерными системами. Функционирование таких систем основано на сравнении показателей работы контролируемого оборудования с его же характеристиками, накопленными в базе данных за достаточно длительные периоды времени эксплуатации, а также на экспертных оценках инженеров, которые записаны в электронном справочнике системы и периодически пополняются для повышения ее «осведомленности» при анализе различного вида отклонений от штатных показателей. Этот же самый подход применяется в мониторинге локальных сетей, в том числе, в предложенной недавно аналитиками Gartner продвинутой технологии AIOps.


Такого рода системы могут работать в любой производственной сфере, но на данном этапе развития они максимально быстро адаптируются для работы на предприятиях энергетики или в энергетических подразделениях промышленных компаний, которые в настоящее время наиболее полно оснащены датчиками, микропроцессорными устройствами и другими инфраструктурными компонентами промышленной автоматизации, предоставляющими широкие возможности сбора данных, необходимых для интеллектуальной диагностики.

В России разработкой и внедрением систем прогнозирования технического состояния оборудования занимается ООО «Кловер Групп» (Казань). Продукт компании Clover PMM (PMM - Predictive Maintenance & Monitoring - предиктивное обслуживание и мониторинг) состоит из двух подсистем: 1) модуля выявления аномальных отклонений в работе объекта (модуль интеллектуальной диагностики), 2) модуля формирования прогноза отказов (близких и далеких) отдельных компонентов оборудования или его всего в целом (модуль предиктивного анализа). При этом второй модуль не является раз и навсегда заполненным базой знаний: электронный справочник, составленный и внесенный в модуль инженерами при настройке системы, пополняется новыми знаниями обо всех появляющихся нарушениях (критических и не очень) в процессе эксплуатации контролируемых агрегатов, которые фиксируются инженерами при его продолжительной работе. То есть непрерывно идет процесс машинного обучения (образно говоря - «повышения квалификации без отрыва от производства»).

Основными поставщиками данных для системы Clover PMM  являются датчики АСУ ТП. А для интеллектуальной аналитики, как известно, требуются как можно большие объемы измерительной информации, на базе которых строятся максимально приближенные к действительности математические модели тех или иных процессов, и точность этих моделей определяет точность прогнозов. Поэтому если в архиве данных АСУ ТП сохранен большой объем данных, то модуль предиктивного анализа заработает уже при подключении Clover PMM к агрегату, а если объем информации недостаточен, то после внедрения Clover PMM он может пополняться до нескольких месяцев, и лишь после достижения определенной «критической массы» данных начнется выдача результатов прогнозирования, на основе которых можно составлять планы ремонтных работ «по состоянию».

См. также:


Комментарии

ПОПУЛЯРНОЕ

Китайцы будут освещать город с помощью искусственных «лун» - идею украли у нас!

Бесплатная навигационная программа для яхт и катеров: что выбрать?

Как работает технология NOMA (Non-Orthogonal Multiple Access)

eLoran и «еЧайка»: когда морская навигация получит надежную систему позиционирования?

Первым действительно умным городом России станет «нейронный город» Тюмень: как это повлияет на коррупцию?