Машинное обучение для профилактического обслуживания насосов

Jun 14, 2023

Сегодня профилактическое обслуживание широко признано действенным методом обслуживания, предоставляющим ценную информацию для повышения надежности активов. Машинное обучение (ML), разновидность технологии искусственного интеллекта (ИИ), демонстрирует преимущества для прогнозного обслуживания и в настоящее время применяется промышленными операторами. В этой статье рассматривается значение прогнозного технического обслуживания с использованием машинного обучения и то, как два разных оператора внедрили эту технологию, оценивая ее возможности для мониторинга состояния активов и прогнозного обслуживания своих насосов.

Прогностическое обслуживание на основе машинного обучения использует данные датчиков оборудования, расширенную аналитику и машинное обучение для обнаружения аномалий и прогнозирования сбоев с использованием подхода к риску и/или критичности, чтобы группы технического обслуживания могли принимать обоснованные решения по планированию технического обслуживания или вмешаться на ранней стадии для устранения неисправностей. Этот метод постоянно изучает и изучает закономерности, приводящие к аномалиям и неисправностям, чтобы заранее предупреждать команды об отклонениях рабочего диапазона оборудования от прогнозируемой нормы с целью сокращения незапланированных простоев и повышения доступности и производительности активов.

Прогнозное обслуживание с помощью машинного обучения отличается от прогнозного обслуживания на основе правил, которое использует данные датчиков оборудования, мониторинг состояния и заранее заданные пороговые пределы для прогнозирования необходимости обслуживания. Проблема с прогнозирующим обслуживанием на основе правил заключается в том, что только около 20% аномалий соответствуют ожидаемому шаблону отказов, что ограничивает его эффективность. Предопределенные пороговые значения могут привести к высокой частоте оповещений, некоторые из которых являются ложными срабатываниями, которые расходуют ценные ресурсы. Обычно для точных оповещений пороговые значения зачастую превышаются только непосредственно перед сбоем, что ограничивает возможности раннего вмешательства.

Следующий практический пример был проведен компанией искусственного интеллекта и ее клиентом — угольной электростанцией мощностью 200 мегаватт в Австралии. Цель исследования заключалась в оценке возможностей машинного обучения для мониторинга состояния активов и прогнозного обслуживания критически важных активов, включая насосы для котлов. Питательный насос котла является важным элементом, поскольку он подает воду в котел.

Модели ML были созданы для мониторинга состояния насосов и включали текущие и исторические данные для всех критических тегов датчиков, соответствующих температурам подшипников насоса и двигателя, таких как температура подшипника ведомого конца (DE), температура подшипника неведомого конца (NDE), подшипника DE двигателя. температура, температура подшипника неприводного конца двигателя и расход насоса. Модели обучаются на периоде времени исправной работы (без отключений или сбоев) и вводятся в эксплуатацию с использованием живых входных данных, что позволяет моделям прогнозировать ключевые параметры актива и наблюдать, можно ли определить производительность актива и ухудшение его состояния при нормальной работе. .

Модели обнаружили и предупредили команду о постепенном повышении температуры ОСП, начиная с 3 апреля (увеличение красного цвета на карте ДНК означает увеличение фактической температуры по сравнению с температурой, предсказанной ИИ). Тем не менее, модель расхода всасывания насоса также продемонстрировала значительную тенденцию изменения статуса отклонения с желтого 2 апреля на красный 3 апреля, что означает, что расход насоса начал снижаться по сравнению с прогнозом модели до тех пор, пока не вышел из строя подшипник неприводного конца. Возможно, неисправность подшипника могла быть результатом изменения состояния смещения вала и наоборот. Потенциально это могло вызвать как изменение характеристики насоса, что привело к снижению производительности, так и увеличение трения и возможного контакта вала как с приводной, так и с корпусом подшипника неприводной стороны, что, как следствие, вызвало повышение температуры на неприводной стороне. подшипник и, в конечном итоге, выход из строя.

Примечания к изображению 1:

Модели визуализируются, чтобы четко показать тенденции нежелательных и аномальных операций с использованием как карт ДНК, так и подробных графиков отклонений. Цветовой код на карте ДНК показывает красный цвет для уменьшения и темно-синий для увеличения скорости потока более чем на 5% по сравнению с прогнозируемыми значениями ML. Они также показывают красный цвет для увеличения и темно-синий для снижения всех температур более чем на 5% по сравнению с прогнозируемыми значениями ML. Используя информацию, полученную на основе моделей состояния насосов, клиент смог своевременно отреагировать, чтобы обеспечить доступность следующего насоса и сократить время простоя. Предполагаемая экономия за счет прогнозирования неисправности и установки резервного насоса оценивается в 150 000 долларов США.