IOT et industrie : Analyse prédictive dans l'IoT industriel

Prêt à apprendre l'Internet des objets? Parcourez des cours comme les applications IIoT pour l'apprentissage automatique développés par des leaders d'opinion de l'industrie et Experfy dans le Harvard Innovation Lab.

L'Internet des objets industriel (IIoT) est un segment de l'Internet des objets (IoT) qui est souvent moins visible que nos objets domestiques courants tels que les voitures, les appareils électroménagers et la climatisation centrale qui peuvent être surveillés et contrôlés par des ordinateurs ou des smartphones. Surnommée la «quatrième révolution industrielle» ou Industrie 4.0, l'IIoT est la numérisation des actifs et des processus industriels qui relie les produits, machines, services, emplacements / sites aux travailleurs, gestionnaires, fournisseurs et partenaires.

De plus, la convergence de la robotique, de l'intelligence artificielle et de l'analyse des mégadonnées crée un potentiel pour d'énormes progrès en termes de productivité, d'efficacité et d'économies. L'IIoT crée un univers de capteurs qui permet un apprentissage approfondi accéléré des opérations existantes. Ces outils de données permettent une contextualisation rapide, une détection automatique des tendances et des tendances. Poursuivre cela pour les opérations de fabrication permettra enfin une véritable capture quantitative des opérations qualitatives anciennement «expertes».

Data Sci - Eco

Sur la photo ci-dessus: la production dans les industries de fabrication discrète et de fabrication de processus dépend du débit et est une orchestration complexe de systèmes de commande et de contrôle pour la production ainsi que des dispositifs de détection sans fil à boulonner sur des équipements de friche industrielle.

Cependant, l'obstacle de cet avenir numérique réside dans les équipements hérités, les problèmes de sécurité, la culture OT vs IT et le mode «noyade dans les données mais affamé d'informations». Étant donné que 70% des équipements industriels sont des équipements hérités, ils ne disposent pas de toutes les dernières fonctionnalités de détection ou de produits numériques. Les solutions de machine learning actuelles produites manquent également souvent d'experts en domaine réel ou en la matière, les données (les équipements industriels peuvent durer de 10 à 20 ans, donc la détection d'anomalies est très rare) afin de trouver un ou des modèles optimaux et généralisables, et une intégration dans des workflows automatisés . Bien que les données, les informations et les solutions de science des données soient de plus en plus présentées comme l'huile de l'entreprise moderne, elles sont souvent mal conçues, mal comprises et mal utilisées dans les activités quotidiennes. Dans ce cas, les progrès technologiques dépassent notre capacité à s'acclimater.

Où commencer

Lorsque nous nous tournons vers les mégadonnées pour détecter des modèles complexes pour l'ensemble de l'usine ou des processus par lots, nous commençons souvent par ajouter des capteurs pour mesurer la santé des machines des équipements plus anciens. Cela nous permet d'ajouter de l'intelligence à une variété d'équipements critiques afin de minimiser les temps d'arrêt des actifs, maximiser la productivité et assurer la sécurité au travail.

Les équipements rotatifs tels que les pompes, les ventilateurs et les moteurs se trouvent dans chaque environnement d'usine et constituent une part importante de la classe d'actifs de surveillance de l'état. Ils ont souvent des problèmes tels que la lubrification, la cavitation, le relâchement, le déséquilibre, ainsi que des problèmes de roulement. Dans ce domaine spécifique, nous surveillons les vibrations et l'énergie ultrasonore à travers un accéléromètre, qui est considéré comme la mesure critique pour détecter les problèmes dans les équipements rotatifs. Lorsqu'un problème survient sur cet équipement, un professionnel de la maintenance génère un ordre de travail et il est mis en file d'attente pour être réparé. En règle générale, il échoue ou un analyste des vibrations est amené à collecter des centaines de milliers de points de données de vibration, à calculer la transformation de Fourier rapide pour une vue spectrale des données, à analyser le spectre et à comparer le spectre aux données historiques.

La question devient alors de savoir si nous pouvons tirer parti de cette analyse de façon continue pour avoir une surveillance continue de la santé de la machine et prévenir les pannes catastrophiques. C'est ce que l'on appelle dans l'IIoT l'analyse prédictive. Nous voulons des alertes sur les éléments mineurs, progressifs et hautement prioritaires. Cependant, la vibration est un tel animal qu'elle n'échoue pas linéairement. Il y a un moment «bâton de hockey» qui a été recueilli dans des millions de cas et bien compris. Même si la défaillance du bâton de hockey est plutôt imprévisible, nous pouvons créer une bande prédictive pour mieux répondre à la question «Quand va-t-elle échouer?» En ayant un calendrier en tête, l'opération peut planifier et planifier de manière proactive la maintenance et essayer de gérer dans le cadre d'un planifié et les temps d'arrêt planifiés pour la maintenance et savoir à quel point il peut pousser ces actifs.

Surveillance de l'état

Dans la pratique courante, la surveillance continue des vibrations sur les équipements industriels est collectée dans la plage de fréquences de 2 à 1 000 Hz et est suivie, signalée et alertée en pouces par seconde (IPS). Cette mesure fournit une bonne indication de déséquilibre, de désalignement et / ou de relâchement. Les directives de réglage des alertes pour cette mesure peuvent être trouvées dans ISO 10816. De plus, cette vibration de 2-1 000 Hz (basse fréquence) est utilisée avec succès pour l'arrêt de l'équipement et la sécurité du personnel. Cette mesure est appelée vibration globale et est utile pour l'identification tardive des défaillances. Cependant, en soi, ce n'est pas une bonne "alerte précoce" ou "analyse prédictive" sur la santé future de la machine.

Data Sci - WO

Sur la photo ci-dessus: TLa ligne bleue ou les vibrations globales indiquent qu'il y a des problèmes (déséquilibre, désalignement, relâchement), mais il n'y a pas assez de granularité pour détecter les défauts de roulement afin d'activer 30 jours ou plus d'avertissement avancé pour permettre à l'usine de planifier correctement. À l'inverse, la ligne ultrasonique haute fréquence en vert permet de voir les problèmes de santé de la machine 30, 60 ou 90 jours à l'avance.

C'est dans les fréquences de 1 000 à 30 000 Hz, y compris les fréquences ultrasoniques, que les données futures ou prédictives de la santé des machines sont détectées. Dans le passé, il s'agissait en grande partie d'un processus manuel, complété sur une collecte et une analyse mensuelles de données par un analyste des vibrations expérimenté. Cependant, un traitement nouveau, moins cher et plus rapide des données des capteurs a permis une surveillance ultrasonique continue pour une maintenance prédictive. Dans ce cas, le même accéléromètre utilisé ci-dessus est maintenant échantillonné à des fréquences très élevées (un accéléromètre piézoélectrique de 100 mV / G est courant). Cette mesure est orientée, signalée et alertée dans G (Accélération) et fournit un bon avertissement précoce des défauts de lubrification, des premiers roulements, des défauts de cavitation et / ou de friction.

Le paramètre d'alerte pour cette mesure n'a pas de norme industrielle, cependant certains fournisseurs comme AssetScan publient des directives de paramétrage d'alerte. Cette mesure est désignée sous le nom de surveillance de défaut de crête ou de défaut de roulement et / ou nonchalamment sous le nom de surveillance à ultrasons. Bien que la mesure provienne du même capteur, ce deuxième taux d'échantillonnage et ce calcul créent une mesure qui est distincte et s'exclut mutuellement de la mesure de vibration globale couramment trouvée dans l'industrie aujourd'hui. L'algorithme Peak Fault capture les données de pic contrairement à d'autres techniques qui utilisent le carré moyen racine (RMS). Ce faisant, il est bien séparé du bruit de fond, ce qui est souvent un problème sur les machines à rotation lente.

De plus, l'algorithme Peak Fault a des directives d'alerte qui ne nécessitent pas de référence pour définir des alertes. Le réglage d'alerte facile permet une comparaison d'actif à actif sur une large classe d'actifs et élimine la confusion sur la gravité ou la détérioration. Par exemple, les limites d’alerte pour les machines fonctionnant entre 600 et 6 000 tr / min (la majorité des équipements industriels) sont de 6, 12 et 18 G pour les alertes mineures, d’avertissement et critiques. Cette percée permet l'étiquetage des données qui est essentiel à l'apprentissage automatique, ainsi que bénéfique pour les équipes d'exploitation et de maintenance pour créer des tâches ou des ordres de travail normatifs.

Analyses prédictives

Avec l'apprentissage automatique, nous voulons étendre notre expertise en la matière pour illustrer encore plus la bande prédictive. La régression polynomiale correspond à une relation non linéaire entre la valeur de X et la moyenne conditionnelle correspondante, et a été utilisée pour décrire des phénomènes non linéaires tels que le taux de défaut des roulements où x est le temps et y est la vibration ultrasonore mesurée en G. Ce type de régression est utilisé pour la limite supérieure de la bande de confiance et correspond le mieux à nos données et à notre expertise dans le domaine, en fonction du bâton de hockey ou de la défaillance non linéaire et de l'approche conservatrice pour garantir l'absence de sous-estimation ou de sous-modèle. La limite inférieure de la bande de confiance a été estimée en utilisant une régression linéaire simple.

Data Sci - Pred

Sur la photo ci-dessus: Pla régression olynomiale comme bande prédictive supérieure est utilisée pour ajuster les données non linéaires et la régression linéaire est utilisée pour la bande de confiance inférieure.

Fournir plus de rétroaction au fil du temps améliorera le modèle, compte tenu de machines industrielles particulières dans des environnements particuliers avec plus de données. Cela donnera aux usines et aux fabricants plus de temps pour réagir aux pannes potentielles des machines, ce qui réduira les temps d'arrêt imprévus, augmentera la productivité, réduira les coûts d'équipement et améliorera la sécurité des travailleurs.

Cet article a été co-écrit par Craig Truempi, professionnel certifié en maintenance et fiabilité (CMRP), membre du conseil d'administration de la section Upper Midwest du Vibration Institute et directeur de IIoT Reliability Solutions.

Laisser un commentaire