新闻资讯

预测性维护应用中的机器学习适应

发布日期:2021-12-15 13:55:09浏览量:42

研究和开发的不断进步已经为决策制定了新的智能解决方案,特别是随着数据收集机制的能力不断增强。这一进步使各个行业能够适应新的决策技术,例如时间分段、维护管理和性能增强。随着云集成解决方案和硬件解决方案的快速增长,机器学习 (ML) 算法对决策技术产生了切实的影响。此外,为维护工作采用强大的管理系统可以降低设备故障和停机期间的意外成本。

维护管理方法
在工业部门,主要使用三种方法来管理维护工作。它们包括:

Run-to-failure (R2F):这是最传统的方法,在处理设备或仪器设备检测到故障时进行维护工作。在管理维护工作时,R2F 被认为是最简单的方法。这种方法也是效率最低的,因为与计划的维护工作相比,成本影响和停机时间可能会增加。
预防性维护 (PvM):此方法根据计划的时间表管理维护工作,而不是针对故障采取行动。尽管 PvM 可以消除不可预测的故障,但通常会应用不必要的纠正措施,这可能导致资源利用效率低下以及成本上升。
预测性维护 (PdM):这是最充分的方法,其中根据使用处理设备或仪器的健康检查进行连续监测来进行维护工作。PdM 使维护团队能够提前预测故障,并允许团队提前采取纠正措施。
机器学习和预测性维护
PdM 中的 ML 适应可以减轻与维护活动相关的几个挑战,尤其是对于不可预测的故障。因此,值得探索这种集成以优化维护工作并避免计划外停机期间的严重后果。ML 和 PdM 之间的集成分为两类:有监督的和无监督的。

监督类意味着系统数据库中有可用的信息进行故障预测,而无监督类则没有关于维护要求的可用信息。系统数据库包含加工设备的高级信息,系统利用分组和关联技术来识别加工数据中的特征分组,然后预测理解它的方法。两个类别之间的选择取决于维护策略的性质。例如,监督类可以适用于可以在两个维护周期之间预测故障事件的特定应用,否则可以采用替代方法,如无监督类。

ML 中 PdM 背后的驱动因素是什么?
许多工业部门正在向工业革命 (IR) 4.0 迈进,物联网 (IoT) 被认为是 IR 4.0 的最重要驱动力。物联网使不同机器之间的数据交换能力成为可能,而这些技术过去并没有得到很好的探索。物联网启用了智能传感器,可以更有效地查看和分析处理数据。

数据收集为与操作设备健康和/或仪器设备相关的未来预测提供了一个智能网关,它是 PdM 的基本功能之一。ML 算法基于历史信息构建训练模型,然后为机器开发健康预测,例如机器故障的可能性。

如何实施机器学习?
PdM 利用来自机器仪器设备(压力、温度等)的数据流机制来确定机器行为的正常状态,然后预测特定时间范围内出现缺陷的可能性。ML建模可以按照以下几个阶段进行构建:

数据采集
第一阶段从使用智能传感器从操作机器内可能出现故障的部件(例如轴承、转子等)收集数据开始。整个过程可以在数据集的帮助下获得更好的结果,该数据集展示了机器生命周期中的状态和行为,并捕获了潜在的故障。这种方法可以帮助数据科学家开发 PdM 模型。

数据分析
为了实现更高的准确性和更好的数据预测表示,数据流处理与机器处理设置相结合,例如设置点、配置和历史数据。这些详细信息可以从不同的来源收集,例如,企业管理系统。

数据建模
数据流进行彻底分析以确定依赖关系,并执行与可能的故障迹象相关的技术命题,并为预期的故障创建某些行为。

数据预测
数据建模提供了一个主要概念,用于检测故障,以及构建 ML 算法作为预测模型的基础。数据预测包含在授予预测模型最终批准之前评估故障检测准确性的各种步骤。

在 PdM 中适应 ML 的主要优势是什么?
在 PdM 中调整 ML 解决方案可以为工业部门,特别是石油和天然气公司带来显着的好处,其中包括:

提高运行设备的可靠性并降低成本费用
ML 解决方案为石油和天然气公司提供智能工具,用于在发生故障之前估计潜在故障。此功能允许公司为维护工作制定有效的计划,并根据发生故障的可能性很高,优先关注关键设备。因此,公司可以减少维护费用,通过根据故障预测确定计划维护的优先级,可以消除不必要的工作。

提高操作设备效率
ML 解决方案通过确保更可靠和灵活的操作,最大限度地利用操作设备并提高操作单元的生产力。数据建模对运行设备的多个部分进行了深度指示,有助于企业保持生产性能,建立提高运行设备寿命的机制。

减少环境影响
ML 解决方案可以减少与泄漏检测相关的环境影响,包括石油和天然气。调整此类解决方案可帮助公司在发生之前检测石化管道中的潜在泄漏。

主要挑战是什么?
尽管许多工业部门(如石油和天然气公司)被认为是在 PdM 中应用 ML 解决方案的最有能力和最成功的参与者,但仍有一些挑战和限制可能会阻止实施:

将 ML 解决方案应用于传统操作设备
多年来,工业部门一直在使用控制系统,例如分布式控制系统 (DCS) 和监控与数据采集 (SCADA)。大多数旧式操作设备大多链接到内部网络基础设施,而不链接到 TCP/IP 网络。尽管有一些技术可用于在新旧通信协议之间建立连接,但完全集成成为工业部门的主要挑战。

收集足够数量的数据流
为了确保准确可靠的估计,需要安装智能传感器来收集有关触发操作设备的所需信息,以对故障检测功能进行建模。收集足够数量的信息可能需要很长时间,并且在植入生命周期中可能会出现延迟。

预测网络覆盖较弱的中断
工业部门需要保持强大的网络覆盖,特别是对于位于网络覆盖可能会中断的偏远地区的操作设备或单元,这会影响数据流处理的可靠性和准确性。网络中断可能会降低 ML 算法的整体性能,并可能做出与故障预测相关的误导性假设。

 

相关推荐