Forgógépelemzés a nyers rezgés- és gyártási adatokból
A Cloudera, Dell Technologies és Reach együttműködéséből megszületett CDR Referencia Architektúra és megoldás gyors választ ad a Big Data-alapú adatgyűjtésre és elemzésre. A lenti esettanulmány a CDR alapjaira épült.

 

Az energia-, élelmiszer- és vegyiparban sok helyen használnak nagy teljesítményű, értékes, drágán szervizelhető és az üzem folyamatos működését alapvetően meghatározó forgógépeket. Ezek többnyire turbinák és kompresszorok, valamint különböző villamos forgógépek. A forgógépek elemzése során a legalapvetőbb problémák a csapágyak rezgéseinek vizsgálatával jelezhetők elő.

Forgógépek a gyár keringési rendszerében

Ezen vizsgálatokhoz sok esetben már rendelkezésre állnak rezgésadatok, azonban a gép tönkremenetelének és a gyártás leállításának hatékony megelőzéséhez szükség van arra is, hogy az elemzés automatikusan, valós időben történjen, és az esetleges hiba közeledtével mielőbb megelőző intézkedéseket lehessen hozni. A REACH Solutions ipar 4.0 platformja segítségével a gyár teljes működése mellett a forgógépek is felügyelhetők, és előre jelezhetők bizonyos események. A cég legutóbbi, vegyiparban megvalósított projektjén keresztül mutatjuk be a forgógépek elemzése során használt módszertant és azt a folyamatot, melynek segítségével a nyers rezgés- és gyártási adatokból valós idejű elemzés segítségével állapotmonitoring és hiba-előrejelző rendszer készíthető. Egy ilyen, az ún. komplex eseményteret figyelő és akár beavatkozni is képes rendszerrel valósítható meg a gyár „felokosítása” és érhető el az ipar 4.0 a gyakorlatban.

A forgógépek rezgéseinek spektrális elemzése

Ügyfelünknél részletes analízist készítettünk a rezgésekről, melynek keretében feltártuk a gép fokozatos elromlására utaló jeleket, a gyártási technológiai paraméterek elemzésével pedig a hiba kialakulásának okaira következtettünk. Az elemzés végeztével pontosabb kép alakult ki a gép aktuális állapotáról, illetve annak trendjéről, ezzel már most megelőzhető a gép tönkremenetele és a jelentős termeléskiesést okozó leállások.

Első lépésként a kiválasztott gép csapágyrezgéseivel kezdtük az elemzést. A spektrális elemzés során a periodikus időjelből Fourier-analízis segítségével az időjelet frekvenciatartományba alakítottuk át, vagyis az adott diszkrét frekvenciákhoz tartozó amplitúdókat számítottunk. A nevezetes frekvenciák – alap harmonikus és a felharmonikusok – amplitúdói ismeretében felmértük a gép csapágyazásának állapotát. Ezzel olyan problémák tárhatók fel, mint pl. a kiegyensúlyozatlanság, egytengelyűségi hibák (összekapcsolt gépek között), olajfilm-stabilitási hiba. Kiértékeléskor megvizsgáltuk a felharmonikusok amplitúdóját és azok trendjét, majd összefoglaló táblázatot készítettünk be, milyen hibák kialakulása látható, illetve várható.

Adatelemzés, anomáliakeresés gépi tanulás segítségével

A spektrális elemzést követően adatelemző eszközökkel vizsgáltuk a gyártótechnológia adatait, melyekből jeleket kerestünk arra vonatkozóan, hogy az esetleges hibát okozhatja-e a normális működéstől eltérő mintázat, illetve összefüggésbe hozható-e a hiba kialakulása az azt megelőző időszak(ok) adataival.

Olyan korszerű és bevált eszközöket használtunk, mint a gépi tanulás (Machine Learning, Deep Learning) és a különböző anomáliakeresési módszerek. A gépi tanulással olyan modelleket hoztunk létre, melyek tanulva a múlt eseményeiből – vagyis a tanító adatként betáplált nyers adatokból – képesek előre jelezni a meghibásodásokat, a normálistól eltérő működést.

Valós idejű előrejelző és monitoringrendszer építése

Az üzem megszakítás nélküli működéséhez elengedhetetlen, hogy a megfelelő beavatkozásokat el lehessen végezni, ha egy gép működésében változás áll be. Ehhez az szükséges, hogy az állapot leírásához szükséges adatokból automatikusan értékes információt állítsunk elő. Ügyfelünknél felmértük, hogyan lehet a meglévő folyamatirányítási rendszerben létrejött adatokat az ipar 4.0 platformon automatikusan elemezni, és a feldolgozott adatokat oda továbbítani. Így a mérnökök a megszokott rendszerekben dolgozhatnak olyan információkkal, melyek komplex számítások és előrejelző algoritmusok eredményét tartalmazzák.

A komplex jelenségek automatikus és valós idejű felismerése céljából az elemzés során megszerzett tapasztalatokat és tanulságokat modellekbe építjük, és a számításokat valós időben elvégző rendszer lehetővé teszi, hogy a gépek figyelése automatikusan és folyamatosan történjen, és a szükséges beavatkozás megvalósulhasson. A REACH (Real-time Event-based Analytics and Collaboration Hub) platform nagy számítási teljesítménye és integrált moduljai segítségével (Machine Learning deployment, Task management) lehetőség nyílik arra, hogy egy adott gép közelgő meghibásodására utaló jelek esetén elindításra kerüljenek a szükséges akciók, és követhető legyen a karbantartási feladat állapota.

Ipar 4.0 platform modern alapokon

A gépi adatgyűjtést kétféleképpen tudjuk vizsgálni: vagy a meglévő problémára, jelenlegi helyzetre koncentrálunk, redukálva a scope-ot és remélve a beruházási költség csökkenését, vagy a közép-hosszú távú igényeknek is megfelelő rendszer alapjait rakjuk le, amely valóban magasabb költségszintet képviselhet. A két megközelítés között a legnagyobb különbség a szükséges adatokkal kapcsolatos bizonyosság: mit kell gyűjtenünk, milyen felbontásban, elég-e a meglévő adatforrás, kell-e tisztítani, be kell-e kötni másodlagos adatforrásokat, kell-e gép vagy emberi oldalon beruházás olyan adatok gyűjtésére, amire most nincs szükség, de a jövőben kellhet?

A jelen problémáinak megoldását a Dell Technologies – mint számos hardver és szoftver szállítója – rengeteg dobozos és hardvertermékkel segíti. Elég, ha csak a Dell notebookokra, Rugged Extreme tabletekre, GPU-val rendelkező munkaállomásokra, Edge Gateway-re – amely rendelkezik akár CANbus, RS-485, Zigbee stb. interfészekkel –, a nagy visszajelző monitorokra vagy a kibővített hőmérséklet-tartományú szerverekre, tárolókra gondolunk.

A jövő alapjainak letétele más architektúrát követel meg: a CDR megoldás és referenciaarchitektúra Big Data alapokon kínál adatgyűjtést és valós idejű elemzést, valamint jövőbe tekintést (predikciót). A Big Data előnye, hogy nagyon hatékonyan lehet idősoros (streaming) adatokat gyűjteni igen nagy felbontásban (pl. milliszekundumos időzítéssel), és ugyanazon a rendszeren elemezni is, a hatalmas adatmennyiség ellenére ugyancsak nagyon rövid válaszidővel. Ez alapvető különbség a hagyományos tranzakcionális adatbázisokkal szemben.

Az architektúra Dell PowerEdge R640 vagy R740 szervereken fut, amelyek rugalmasan bővíthetők, az iDRAC-en és az OpenManage Enterprise-on keresztül jól menedzselhetők, és biztonságos működést tesznek lehetővé az ipari környezetekben is. A CDR megoldást úgy terveztük meg, hogy beüzemelése és a meglévő hálózatba csatlakoztatása minimális erőforrást igényeljen.

A robotikai ipar kétszámjegyű növekedése várható
Rövidülő termékciklusok, hálózatosított termelési szekvenciák, gyorsan változó piacok és megcsappanó források – ez csak néhány azok közül a paraméterek közül, melyek az új piacgazdaságot formálják majd.
Digitalizáció a kórházakban
Gyorsabb digitalizációt, hatékonyabb erőforrás-gazdálkodást és javuló betegellátást eredményezhet az egészségügyi intézményekben a Schneider Electric és a ThoughtWire stratégiai partnersége.
Nőknek is szabad a pálya!
Hogyan lesz egy háromgyerekes fizikusból programozó egy innovatív ITC-cégnél? Közgazdászok, jogászok és fizikusok is részt vettek már a kifejezetten kisgyerekes anyákat célzó programozó átképzésben.
Tartalmában és módszertanában is átalakul a szakképzés
Juttatásai az ösztöndíjak és a munkaszerződések rendszerén alapulnak majd, és módosul a szakképzésben oktatók jogállása is.
Mobil laborrobotok a jövő kórházaiban
A mobilis és önálló munkára képes YuMi laboratóriumi robotot arra tervezték, hogy együtt dolgozzon az egészségügyi és laboratóriumi szakemberekkel.