IOT et industrie : Etude de cas | Duke Energy exploite IIoT pour les applications de maintenance prédictive

Cette étude de cas examine la quête de Duke Energy pour remplacer ses pratiques de collecte de données mensuelles et manuelles par une collecte et une surveillance quotidiennes des données à distance.Introduction Fondée en 1900, Duke Energy est la plus grande société de production d'électricité aux États-Unis, avec plus de 80 usines aux États-Unis. États et plus de 29 000 employés. Basée à Charlotte, en Caroline du Nord, son entreprise de services publics possède 52700 mégawatts de capacité de production d'électricité, qu'elle
approvisionne environ 7,4 millions de clients répartis dans six États des régions du sud-est et du Midwest des États-Unis. Duke Energy dessert également 1,5 million de clients de gaz naturel et exploite divers actifs de production d'électricité au Canada et en Amérique latine, y compris un portefeuille d'actifs d'énergie renouvelable.
Duke Energy et d'autres acteurs du secteur de la production d'électricité sont confrontés à des problèmes pour surveiller manuellement l'état des machines. La surveillance de l'état est essentielle pour contrôler les coûts et augmenter la disponibilité en évitant les pannes dues à des pannes d'équipement. La collecte manuelle des données demande beaucoup de travail; En utilisant la collecte de données basée sur les itinéraires, les spécialistes de la maintenance prédictive de Duke Energy se sont physiquement rendus à chaque point de collecte pour collecter manuellement des centaines d'échantillons de données, retournant à leurs ordinateurs pour afficher et analyser les données collectées. Avec près de 60000 collectes par mois, les analystes de Duke Energy passaient généralement 80% de leur temps à collecter les données et seulement 20% de leur temps à les analyser, ce qui entraînait un diagnostic incohérent et une évaluation des risques limitée, ainsi que beaucoup de marche!
En 2010, Duke Energy a lancé un programme centralisé dans toute l'entreprise pour utiliser de nouvelles technologies pour répondre aux demandes croissantes de fiabilité et optimiser les activités de sa main-d'œuvre. Duke Energy souhaitait remplacer sa collecte de données traditionnelle basée sur les itinéraires par une technologie capable d'identifier les problèmes et d'avertir les spécialistes, leur permettant de passer du temps sur des tâches de plus grande valeur et de faire leur travail quel que soit l'emplacement. Ce projet pluriannuel a nécessité l'installation de capteurs supplémentaires, une nouvelle conception d'architecture, ainsi qu'une nouvelle infrastructure complétant l'ancienne infrastructure. SolutionsDuke Energy a commencé à se pencher sur l'utilisation d'éléments de l'Internet des objets industriel (IIoT) et de l'analyse des mégadonnées pour l'aider à relever certains de ces défis. Pour ce projet, Duke Energy a travaillé avec National Instruments, ainsi qu'avec l'Electric Power Research Institute (EPRI), OSIsoft et InStep (qui fait maintenant partie de Schneider Electric) sur une infrastructure de surveillance et de diagnostic personnalisée appelée Smart Monitoring and Diagnostics ou «Smart M&D» pour une mise en œuvre sur l'ensemble de sa flotte et de ses usines.
EPRI a introduit le cadre I4GEN (Developing Insights through the Integration of Information for Intelligent Generation) pour accompagner les entreprises de production d'électricité dans leur transition vers l'utilisation de technologies et de solutions liées à l'IoT. Cet institut soutient ses partenaires en partageant son expertise et en soutenant la collaboration entre plusieurs organisations de production d'électricité, plutôt que de laisser chacun faire cavalier seul.
Technologie investie et opérations Les investissements nécessaires pour ce projet comprenaient l'installation de capteurs en ligne supplémentaires, d'infrastructure, d'architecture et d'applications de diagnostic.
En 2012, Duke Energy a commencé à construire une nouvelle architecture pour soutenir ce projet. Duke Energy a utilisé la plate-forme CompactRIO de National Instruments, qui combine un processeur en temps réel intégré, un FPGA (fieldprogrammable gate array) hautes performances et des modules d'E / S échangeables à chaud pour l'acquisition de données en temps réel sur un ordinateur hôte en réseau . Les données des capteurs sont introduites dans les systèmes de surveillance NI CompactRIO, qui effectuent la collecte et le traitement des signaux qui peuvent être transmis par fil ou sans fil à ses serveurs d'usine. En utilisant la grande quantité de données analogiques, NI CompactRIO réalise des alarmes et fournit une analyse complète des formes d’onde aux spécialistes des données de Duke.
De plus, Duke Energy a pu utiliser NI InsightCM ™ pour la surveillance des conditions afin de visualiser et d'analyser les données. En connectant un FPGA et un processeur temps réel embarqué au capteur, les formes d'onde analogiques brutes peuvent être réduites à des conditions indiquant la «santé» du système au niveau du nœud lui-même. Cela évite la surcharge de données dans laquelle les experts en la matière sont bloqués à la recherche de problèmes difficiles à localiser.Le logiciel NIInsightCM a été un outil important pour rendre les données plus conviviales et plus largement accessibles au-delà de la petite équipe technique. Il s'agit d'un processus continu, dans lequel Duke soutient la transition de la technologie traditionnelle à la nouvelle technologie pour soutenir ses utilisateurs finaux.Des capteurs supplémentaires ont été ajoutés à des équipements avec des capacités de surveillance plus limitées telles que les entraînements, les moteurs, les pompes, les boîtes de vitesses et les ventilateurs. Pour les machines déjà équipées de capteurs, Duke Energy s'est concentré sur l'expansion des capacités de détection. Par exemple, les générateurs à turbine à vapeur avaient déjà un niveau de détection élevé car ces machines coûteuses doivent être alarmées pour éviter des pannes coûteuses. Duke Energy a ajouté plus de capteurs à ce type d'équipement pour capturer des données afin de prendre en charge une surveillance des vibrations plus avancée, ce qui a amélioré la prévisibilité des pannes futures.
Duke Energy a identifié plus de 10 000 actifs dans ses installations et a prévu d'ajouter plus de 30 000 capteurs à ses équipements, notamment des accéléromètres, des capteurs de température, des capteurs d'analyse d'huile, des caméras thermiques et des sondes de proximité. Ces capteurs ont ajouté des fonctions telles que la surveillance des vibrations, la température des roulements et la pression d'huile, ainsi que la surveillance d'autres actifs tels que les transformateurs, les gaz dissous et les signatures électromagnétiques sur les générateurs.
On estime que 75% du coût de ce projet ne concernait ni le logiciel ni les capteurs, mais était lié au coût de câblage des capteurs aux ordinateurs d'acquisition de données. Les systèmes d'acquisition de données sont répartis dans les installations de Duke Energy et peuvent connecter jusqu'à 30 ou 40 capteurs câblés. Le câblage doit être acheminé du capteur vers l'ordinateur d'acquisition de données local; les signaux sont ensuite transmis sans fil des dispositifs d’acquisition de données NI aux serveurs de Duke Energy.
Pour collecter des informations sur les vibrations, il peut être nécessaire de capturer entre 10 000 et 100 000 échantillons par seconde pendant plusieurs secondes pour obtenir une bonne mesure de l'état de la machine. Pour aider à gérer cette grande quantité de données, Duke Energy utilise une combinaison de serveurs d'usine sur site. Chaque usine dispose de ses propres serveurs OSIsoft PI, qui collectent, stockent et organisent les données à partir d'une gamme de sources.
Ces serveurs sont situés dans les centres de surveillance et de diagnostic de Duke, où le logiciel de reconnaissance de formes et de pronostics Prism d’Instep (utilisé pour les solutions mécaniques) et le logiciel de surveillance des conditions thermiques EtaPRO de GP Strategy sont utilisés pour identifier les écarts par rapport au comportement attendu. Au sein du centre de diagnostic de surveillance, une équipe de cinq personnes techniques utilise ces outils logiciels.
Le personnel technique voit un tableau de bord d'alarmes qui leur dira si l'équipement a eu un comportement inattendu. À ce stade, ils peuvent enquêter et filtrer le problème pour décider s'il s'agit d'une véritable anomalie et nécessite une enquête plus approfondie. S'il est signalé, un e-mail de processus standard est envoyé pour alerter les bonnes personnes sur le problème; et leur donner des informations sous forme graphique en repérant les écarts et en conseillant sur un diagnostic initial, afin que l'opérateur puisse aller vérifier la machine.
Ces informations peuvent être envoyées au système de gestion de la santé des actifs de l’EPRI, afin d’identifier le problème par comparaison avec tous les défauts connus dans une base de données de signatures compilée au fil du temps (à partir de plusieurs sociétés) à l’aide de données provenant d’équipements réels. EPRI peut alors demander aux spécialistes de Duke Energy d'accéder à NI InsightCM Data Explorer (logiciel Web conçu pour aider les ingénieurs à localiser, inspecter, analyser et rapporter rapidement les données de mesure) et effectuer l'analyse complète.
Actuellement, Duke Energy stocke toutes ses données sur des serveurs internes, car le service informatique n'est actuellement pas ouvert à l'utilisation du cloud. À ce jour, Duke Energy a été en mesure de faire face aux volumes de données collectées à l'aide de cette méthode.
Résultats pour Duke Energy En mars 2017, près de 2000 systèmes CompactRIO ont été déployés et gérés par l'architecture Smart M&D dans 30 installations. Au sein de ces usines, Duke Energy s'appuie sur une collecte de données automatisée, permettant aux analystes de consacrer 80% de leur temps à l'analyse plutôt qu'à la collecte de données; ainsi, l'analyse est plus robuste.
Sur un an, Duke Energy effectue en moyenne deux notifications par jour dans son centre de surveillance et de diagnostic, en utilisant Prism; seulement un sur quatre d'entre eux nécessite une action corrective. Ces alarmes donnent aux spécialistes une fenêtre pour planifier et réparer l'équipement au moment où le coût sera le plus bas, par exemple lorsque l'usine doit être arrêtée pour maintenance, ou à des moments de moindre demande.
Les machines peuvent continuer à fonctionner pendant plusieurs semaines, ce qui permet aux spécialistes de choisir le moment le moins coûteux pour planifier les réparations. Dans un cas, Duke Energy a pu maintenir un générateur opérationnel pendant trois semaines, malgré un roulement défectueux, en le soignant jusqu'à ce qu'il puisse planifier une réparation sûre et pratique.
La société est passée de la collecte de quatre lectures d'un point de données par an à la collecte de lectures toutes les cinq secondes. Toutes les données supplémentaires ne peuvent pas être stockées indéfiniment; des protocoles de gestion des données sont donc en place pour décider quand et quels types de données sont supprimés, afin de prendre en charge un plan de stockage plus intelligent.
En quatre ans, Duke Energy a évité des coûts de 130% du budget d'investissement dépensé en évitant les coûts plus élevés associés aux pannes. La troisième année du projet a été lorsque Duke Energy a commencé à voir une amélioration significative de la récupération.
L'entreprise est également en train de calculer les économies de coûts de main-d'œuvre en évitant la collecte manuelle de données. Étant donné que les systèmes analysent constamment les données, les tournées des opérateurs peuvent être considérablement réduites tandis que la fréquence de la collecte des données peut être considérablement augmentée. Les données n'ont plus besoin d'être collectées tous les mois; il peut être collecté plusieurs fois par jour, ce qui génère de nombreux téraoctets de données par semaine, ce qui permet de découvrir et de suivre les problèmes de manière plus fréquente et cohérente.
Ce changement a amélioré la fiabilité et réduit les coûts d'exploitation pour relever le défi des cadres d'augmenter la fiabilité et d'optimiser les activités de la main-d'œuvre en étant plus analytique.
Défis De nombreux défis ont dû être surmontés pour déployer cette solution.
Au début de ce processus, Duke Energy s'est rendu compte qu'il ne serait pas en mesure de mener à bien ce projet par lui-même. Cela a évité de nombreux défis
L'un des défis auxquels Duke Energy a été confronté était d'amener ses employés, dont beaucoup ont passé toute leur carrière à pratiquer la collecte de données basée sur les itinéraires, à passer à ces nouvelles méthodes et à faire confiance à la technologie et à ses informations. Par exemple, il est encore très courant que les spécialistes reçoivent un avertissement basé sur les données et effectuent un suivi en vérifiant manuellement l'équipement avec des appareils portables. Par conséquent, l'entreprise a investi et continue d'améliorer la visualisation des données.
Un autre défi majeur était le grand nombre de modèles avancés de reconnaissance de formes (APR) en cours d'exécution (plus de 10 000), ce qui entraînait des volumes élevés d'alarmes reçues. Pour faire face à cela, Duke Energy met en place une stratégie pour gérer et prioriser les alarmes, car il ne dispose pas de suffisamment d'analystes pour gérer tous les modèles. Une méthode qu'il utilise pour gérer cela est la hiérarchisation des actifs en fonction de la criticité de l'actif (par exemple, une turbine à vapeur par rapport à un ventilateur).
Pour chacune des quatre régions où cette solution est en cours d'exécution, Duke Energy a établi des dirigeants, qui travaillent avec les spécialistes de la maintenance pour prendre les mesures, les aidant à intégrer la nouvelle technologie dans l'entreprise. Cependant, personne ne possède toutes les compétences; Dès le départ, il était donc important que les équipes OT et IT travaillent ensemble.
Cela a introduit un défi dans la mesure où les départements OT et IT avaient leurs propres priorités (et budgets), parfois concurrents, il était donc essentiel de maintenir un équilibre; Le parrainage du projet par la haute direction était important pour assurer un financement suffisant et continu.
Comme le projet a été déployé sur plusieurs installations, l'équipe a dû travailler avec chaque station pour développer des solutions uniques répondant à ses besoins spécifiques. Cela a nécessité l'adhésion des directeurs d'usine, en fonction de leurs principaux problèmes et préoccupations. Un autre défi est que, au cours des dernières années, les directeurs d'usine ont changé et qu'une formation continue du nouveau personnel est donc nécessaire.
Prochaines étapes Cette année, Duke Energy achèvera le déploiement de capteurs supplémentaires; comme il a récemment élargi la portée de ce qu'il aimerait surveiller pour inclure des équipements supplémentaires tels que des transformateurs. À l'avenir, Duke Energy reconnaît qu'il existe une excellente opportunité d'économiser de l'argent supplémentaire en utilisant davantage de capteurs sans fil, qui ne nécessitent pas de câblage coûteux vers les systèmes d'acquisition de données.
Plus loin, Duke Energy espère progresser vers une intelligence plus exploitable avec des outils capables de diagnostiquer les problèmes à l'avance. Il aimerait passer des solutions de maintenance prédictive actuellement employées à celles qui indiquent à un expert non seulement quel est le problème, mais également des recommandations sur la façon de le résoudre. Cela deviendra particulièrement important compte tenu de l'attrition des experts en la matière dans ce secteur.
Duke Energy États-Unis

Laisser un commentaire