Описание проекта
Разрабатываемая технология направлена на объединение полученных
статистических данных с систем SCADA, IIot и КИП и выходных коэффициентов
полученных от построения цифровой физической модели. Все полученные
данные с генерируемых цифровых физических моделей и техникоэксплуатационные данные используются в машинном обучении для получения
положительной динамики в оценке долговечности и оценке остаточного ресурса
оборудования; проработки алгоритмов с учетом входных и выходных
параметров для анализа текущего состояния оборудования и выполнения
прогнозирования по возможным поломкам и дефектам как отдельных углов и
агрегатов так и отказа оборудования в целом; на основе проработанных условий,
выявления достаточно верных входных коэффициентов для построения
алгоритмов по анализу состояний и рекомендационных данных полученных от
эксплуатационного персонала, система выполняет оценку состоянию,
необходимость в плановой или экстренной остановке оборудования и
прогнозирование по планированию технического обслуживания и ремонта
оборудования.
Разрабатываемый продукт направлен на решение следующих задач:
• диагностирование дефектов и поломок оборудования
• определение неэффективного производственного режима
• грамотное и своевременное планирование ремонта и замены оборудования
• предотвращение остановок в работе агрегатов заранее и переход на ремонт
по состоянию
• оценка технического состояния оборудования в реальном времени
• выявление причины поломки оборудования
• получение оповещения о приближающихся сбоях и отказах
• оцифровка знаний инженеров и экспертов
Базовый функционал отдельных модулей.
• Модуль по сбору статистических данных и данных с систем SCADA, IIot
и КИП
• Модуль построения цифровой физико-химической модели и процессов
• Модуль по применению машинного обучения, построенного на основе
полученных данных с генерируемых цифровых физико-химических
моделей и технико-эксплуатационных данных
• Модуль сравнительного анализа неисправностей в режиме реального
времени
• Модуль предоставления рекомендаций по оптимизации технологических
режимов
• Модуль прогнозирования, связанный с дефектами и поломками
технологического оборудования
• Модуль предоставления рекомендаций по проведению технического
обслуживания и ремонта
Циклы внедрение и функционирования.
Этапы внедрения продукта
На первом этапе внедрения предлагаемого продукта проводится «постановка
формулировок и определение задач» (предпроектный анализ).
Определяются цели и задачи проекта совместно с заказчиком, выявляем
проблемные стороны производства, разрабатывается техническое задание.
На втором этапе происходит «сбор данных»
Собирается информация о структуре производства, данные с датчиков
оборудования, время и причины дефектов и отказов, информация о техническом
обслуживании и проводимых ремонтных работах.
На третьем этапе проводится «обработка и анализ качества данных»
Подготавливаются совместно с инженерами технологами все полученные
данные, включая статистические, исторические данные по технологическому
оборудованию и ТОиР к анализу и интерпретации.
На четвертом этапе происходит «Построение физико-химической модели и
интерпретация результатов»
Строятся цифровые физико-химические модели оборудования, выявляются
скрытые зависимости и показатели значение которых далеки от нормы.
На пятом этапе происходит «Настройка программного обеспечения и
поддержка системного продукта».
Создается интерфейс/WEB интерфейс по требованию заказчика и проводится
интеграция в IT инфраструктуру производства.
Дополнительные этапы на случай отсутствия подключения к системам
IIoT/SCADA
Создается пилотный проект. Происходит подключение разрабатываемого
продукта к системам IIoT/SCADA.
Методы и способы решения поставленных задач для получения ожидаемых
характеристик.
При выполнении анализа состояния основного технологического оборудования
на разных стадиях планирования используется ряд методов. Система
управления и планирования ремонта и технического обслуживания химического
оборудования должна включать допустимый диапазон затрат на техническое
обслуживание и ремонты оборудования, ограниченный лимитами ресурсов,
заложенных в бюджете предприятия на эти цели, а также комплекс техникоэкономических показателей, позволяющий оценить текущее состояние
оборудования и выявить необходимость проведения его технического
обслуживания или ремонта.
В комплекс технико-экономических показателей входят:
− показатели состояния оборудования: температура деталей и узлов
(норма и факт); дефекты (наименование дефекта и его уровень); степень износа;
длительность межремонтного периода; коэффициенты интенсивного,
экстенсивного и интегрального использования оборудования;
− срок использования оборудования (нормативный, оптимальный и
фактический);
− амортизационные отчисления (ежегодные и накопленные за
фактический срок использования);
− затраты на ТОиР (верхний и нижний пределы затрат на ремонт и
межремонтное обслуживание, определяемые на основе ранжирования работ по
ТОиР; ежегодные фактические и накопленные затраты на ТОиР оборудования).
− суммарные затраты на воспроизводство оборудования
(амортизационные отчисления и
затраты на ТОиР).
Функционирование технологии
Базовый функционал разрабатываемой технологии
• Сбор статистических данных и данных с систем SCADA, IIot и КИП
• Построение цифровой физической модели и процессов
• Применяется машинное обучение, построенное на основе полученных данных
с генерируемых цифровых физических моделей и технико-эксплуатационных
данных
• На основе полученных данных происходит построение анализа неисправностей
в режиме реального времени
• Предоставление рекомендации по оптимизации технологических режимов
• Выполнение прогнозов, связанных с дефектами и поломками технологического
оборудования
• Предоставление рекомендации по проведению технического обслуживания и
ремонта
Сбор статистических данных о работе оборудования и данных с систем
IIoT/SCADA и КИПиА является первоначальным этапом функционирование
данной технологии. Число измеряемых или контролируемых технологических
переменных зависит от условной информационной мощности. Средняя
информационная мощность имеющая индекс 3 может работать с набором
переменных от 161 до 650, а большая информационная мощность с индексом 5
работает с диапазоном переменных от 2500 и не имеет ограничения В систему
вносится информация о предыдущих поломках, неисправностей, ошибках или
отказах, а также информация об плановых или экстренных остановках
производства и последующем техническом обслуживании и ремонте
технологического оборудования. Строится хронология состояния оборудования
от первого запуска до текущего момента и хронология проводимых ТОиР. После
первичного анализа статистических данных, полученных с систем IIoT/SCADA
и КИП, происходит выборка необходимых вводных и сравнительных
коэффициентов для построения физической модели технологического
оборудования. На основе полученных статистических данных и параметров
внешних факторов строится первая часть физической модели как отдельных
важных технологических узлов агрегата, так и всего оборудования в целом со
всеми сопутствующими процессами. В процессе создания первой части
физической модели определяются наиболее уязвимые места агрегата в которых
существует высокая вероятность износа или поломки. Из полученных данных
проводится сверка с запланированным техническим обслуживанием и ремонтом.
В случае если полученный анализ подтвердил возможность появления поломки
или скорейшего износа и данной информации о состоянии оборудования нет в
запланированных ТОиР, то система оповещает об этом в ближайших отчетах и
вносит соответствующую информацию в систему АСУиТП. Помимо контроля
данных с КИП для построения второй части физической модели, необходимо
провести анализ на соответствие технологических режимов, поступающего
сырья и качества продукции. Определяются входные параметры, свойства и
химический состав сырья, используемого в технологическом процессе на
моделируемом агрегате. На основе полученных данных строится эталонная
модель получаемой продукции", выполненной на моделируемом агрегате. Из
полученной модели выявляют ключевые параметры, свойства и химический
состав. В совокупности, все полученные данные о входном сырье и итоговой
готовой продукции лежат в основе построения второй части физической модели
технологического оборудования. Имея все необходимые данные, система
выявляет ошибочные или аномальные состояния в работе технологического
оборудования, действующие неполадки или дефекты за указанный период
времени, вплоть до текущего момента и прогнозирует возможные неполадки и
дефекты, которые появятся в следующий эксплуатационный срок работы
оборудования.
Методология построения мониторинга и анализа технического состояния
оборудования с построением физической модели строится из следующих
ключевых параметров: сбор данных, анализ и обработка
потоковых данных, подключение промышленного оборудования, предиктивная
диагностика данных, построение физических моделей на основе полученных
данных.
Сбор данных осуществляется по средству передачи информации с датчиков
(КИП), с интегрированных систем по контролю ТОиР ERP, MES, TORO и
внешних факторов. Данные
передаются по стандартным протоколам HART на сервер в специальное
зарезервированное хранилище в режиме реального времени.
Обработка и анализ потоковых данных происходит с помощью подсистемы
мониторинга состояния, которая включает библиотеки и инструменты анализа
сигналов. Обработка данных в режиме реального времени считается обработкой
непривязанного потока входных данных с минимальным временем задержки —
несколько миллисекунд или секунд. Эти входящие данные обычно поступают в
неструктурированном или полуструктурированном формате JSON.
Архитектура обработки в режиме реального времени состоит из нескольких
логических компонентов. Прием сообщений в режиме реального времени
основывается на специальной архитектуре, которая включает средства сбора и
сохранения сообщений в режиме реального времени, доступные для объектаполучателя, обрабатывающего поток. В случаях малого производства, роль
такой службы выполняет обычное хранилище данных, в одной из папок которого
размещаются новые сообщения. Но для больших предприятий используется
специализированные брокеры обмена сообщениями, которые выполняют роль
буфера для входящих сообщений. Брокер обмена сообщениями поддерживают
масштабируемую обработку и надежную доставку. Сохранив сообщения,
поступающие в режиме реального времени, система выполняет для них
фильтрацию, статистическую обработку и другие процессы подготовки данных
к анализу. Хранилище аналитических данных спроектированы так, чтобы
подготавливать данные к анализу и предоставлять их в структурированном
формате для запросов через средства аналитики. Обработанные данные
сохраняются в хранилище аналитических данных, которое оптимизировано для
анализа и визуализации. Обработанные данные принимаются на слоях
аналитической обработки и отчетности для анализа, бизнес-аналитики и
визуализации на панелях мониторинга в режиме реального времени.
Если предприятию необходимо подключить нестандартное оборудование,
устройство или систему, то может быть использована готовая библиотека Lib,
которая позволяет встраивать программные модули передачи данных в систему
практически в любое оборудование, оснащенное микропроцессором и
аппаратным интерфейсом сопряжения. Разработанная на стандартном языке
программирования ANSI C, библиотека Lib не требует значительных
аппаратных ресурсов и может быть интегрирована в любую операционную
систему.
Дополнительно для расширения числа протоколов и устройств, подключаемых к
системе, используются специальные интерфейсы, которые поддерживают
большое число сторонних программных/аппаратных агентов и спецификаций
передачи данных, например MQTT, SmartRest,Modbus RTU, Modbus TCP, CANbus, MMC, SPI, I2C, McASP.
Уникальность разрабатываемой системе заключается в запросе с отдельных
серверов данных о параметрах работы технологического оборудования.
Запрашиваются данные о типе марке оборудования, маркировка установленных
рабочих узлов и расходных деталей, расходе ресурс часов, ключевые параметры,
влияющие на технологический процесс, исторические данные о предыдущих
режимах работы и текущих показания полученных с КИП в режиме реального
времени. На основе полученных данных система строит физическую модель
(цифровой двойник) технологического оборудования. В систему загружается
проработанная 3D модель оборудования со всеми необходимыми свойствами,
как работы, так и материала.
Построенная цифровая модель позволяет смоделировать работу оборудования в
соответствии с технологическом процессом и получить цифровой вид продукции
для последующего анализа.
Система позволяет в режиме реального времени вносить корректировки в работу
«Цифрового двойника», что позволяет оперативно влиять как на данные
цифровой продукции, так и на сам технологический процесс в целом. После
получение единой цифровой концепции «оборудование-продукт», система
направляет отчет с рекомендациями оператору для анализа и утверждения
полученных корректировок. На основе полученных данных система создает
горизонт событий ведущих к анализу и прогнозированию технического
состояния оборудования.
Имея актуальные данные о состоянии оборудования, система анализирует ресурс
работы и сравнивает с заданными параметрами. В качестве протокола приемапередачи данных в рамках сети IIoT используется стандартный протокол TCP/IP,
а также текстовый формат обмена данными JSON (JavaScript Object Notation).
Для предварительной обработки сигналов с датчиков, установленных на
оборудовании, применялись аналоговые и цифровые фильтры.
Интеллектуальная система обладает всеми необходимыми инструментами для
построения систем предиктивной диагностики ремонтов и выявления дефектов
технологического оборудования. В систему по предиктивные диагностики
входит набор алгоритмов и библиотек для создания предсказательных моделей с
помощью методов глубокого машинного обучения, нейронных сетей и на основе
физических и математических моделей. Готовые аналитические модули быстро
сконфигурированы и подключены к источникам промышленных данных,
отображающим работу промышленных систем. C помощью специального
модуля входящего в систему, пользователи создают и адаптируют загружаемые
физические модели технологического оборудования, сохраняя их затем в
специально отведенное хранилище на выделенном сервере. Каждый экземпляр
модели обучается на серии реальных данных, собранных в блоке хранения
данных, а результат анализа визуализируется. Модели создаются с
использованием известных алгоритмов и наборов библиотек, таких как
TensorFlow, Spark, NumPy, Scikitlearn, Keras, SciPy, Matplotlib, Pandas, а также
библиотек распределенных вычислений
