Przewidywanie (przyszłości) z Mitsubishi Electric

 

 

 “The best way to predict your future is to create it.”  – Abraham Lincoln

Kolejna rewolucja przemysłowa staje się już faktem i technologie zmieniające produkcję przemysłową pojawiają się niemal każdego dnia. Nadszedł czas, aby nowoczesne rozwiązania informatyczne, w szczególności technologie Internetu Rzeczy, zaprząc do pracy na rzecz podnoszenia produktywności w przemyśle.

Tegoroczne targi Automaticon są dla nas szczególne. Prezentujemy bowiem dwa zupełnie nowe rozwiązania. Obie technologie opierają się na warstwie software’owej i komunikacji, słowem – są to produkty epoki cyfryzacji. Obie również pozwolą tworzyć ekscytującą przyszłość produkcji przemysłowej, a nie czekać na nią. Zgadzamy się ze słowami Abrahama Lincolna przytoczonymi na początku tego artykułu i chcemy wspólnie z Państwem kształtować przyszłość pod nasze wspólne dyktando. Mamy ku temu sprawne i nowoczesne narzędzia.

Rozwiązanie nr 1: Wirtualizacja produkcji

Na pierwszy rzut oka nasze stoisko może wydawać się skromniejsze niż zazwyczaj. Są to tylko pozory, gdyż większość naszych technologii znajduje się tym razem w przestrzeni cyfrowej. Nasza główna aplikacja demo (widoczna na zdjęciu poniżej), oraz postument z nowym robotem serii FR komunikują się z całą pokaźną linią produkcyjną, którą tym razem umieściliśmy w świecie cyfrowym. Jak mogą Państwo zauważyć na naszym stoisku, fizyczne urządzenia pracują wspólnie z całą gamą ciągów produkcyjnych w symulacji 3D – pokazuje to, że pewna granica pomiędzy tym co namacalne, a tym co modelowane, została przełamana. Nasze stanowiska demo współpracują z oprogramowaniem symulacyjnym tworząc fizyczno-wirtualną przestrzeń produkcji. A to wszystko dzieje się z wykorzystaniem protokołu OPC UA, który zgodnie z przewidywaniami trendu Industry 4.0 stanie się kiedyś wiodącym protokołem komunikacji w przemyśle. My już go stosujemy – jak widać nie tylko w komunikacji pomiędzy maszynami, ale również by połączyć świat wirtualny z rzeczywistym.

Rozwiązanie nr 2: Predictive Meintenance

Produktywność przedsiębiorstwa w ogromnym stopniu zależy od tego jak dobrze wykorzystujemy jego zasoby. Jak wszelkie technologie i systemy, tak również narzędzia wykorzystywane w utrzymaniu ruchu przeszły daleką drogę. Inżynierowie utrzymania ruchu już dawno odeszli od pytania
„Co się właściwie stało?”, i poszukiwania problemów przeszły do warstwy diagnostycznej oprogramowania czy sprzętu automatyki. „Co się stało?” zostało zastąpione pytaniem „Dlaczego się to stało?” – i jest to etap, na którym wiele przedsiębiorstw jest obecnie. Identyfikujemy i usuwamy przyczyny problemów, wyciągamy wnioski na przyszłość, ograniczając w ten sposób wydatnie koszty użytkowania zasobów. Następnym krokiem jest oczywiście pytanie „Co na pewno się stanie?” – odzwierciedla ono zasady wyprzedzającego utrzymania ruchu, w którym bazując na danych o zużyciu, sprzęt jest odpowiednio wcześniej wymieniany – celem zapobiegnięcia awarii.
My zachęcamy do zadania pytania „Co mogłoby się stać?”. Wyposażyliśmy nasz sprzęt w szereg technologii ułatwiających zbieranie wielkiej ilości danych, nawet takich, które pozornie nie mają żadnego znaczenia. Te dane, automatycznie przeanalizowane i przefiltrowane, mogą stanowić bazę dla zaawansowanych systemów predykcyjnych, które wykorzystują potęgę sztucznej inteligencji. Wykorzystanie uczenia maszynowego pozwala na przewidywanie potencjalnych problemów na długo zanim pojawią się jakieś oczywiste symptomy.

Preventive

Prewencyjne Utrzymanie ruchu (preventive maintenance) działa w myśl powiedzenia „lepiej dmuchać na zimne”. Działania prewencyjne są planowane z wykorzystaniem pewnej (nie zawsze pełnej) wiedzy o maszynie i jej częściach składowych. Bierze się pod uwagę czas pracy sprzętu, zalecenia serwisowe dostawcy czy też wiedzę na temat typowego zużycia podobnych komponentów. Działania serwisowe wykonywane są często
zaplanowanych z wyprzedzeniem slotach czasowych. Takiego typu działania nie biorą jednak pod uwagę faktycznego zużycia czy wykorzystania sprzętu, co powoduje dwie bardzo kłopotliwe sytuacje. Po pierwsze – sprzęt może działać dobrze i wtedy zostaje wymieniony zupełnie niepotrzebnie. Po drugie – może zajść sytuacja, że pewne elementy nie wytrzymają do kolejnego planowanego przestoju, co prowadzi do awarii.

Predictive

Różne techniki predykcyjnego utrzymania ruchu (predictive maitenance) biorą pod uwagę przede wszystkim rzeczywisty stan zasobów. Dobrze skonstruowany system poszukuje symptomów, które potencjalnie mogłyby doprowadzić do awarii, co pozwala zaplanować akcje serwisowe z dużym wyprzedzeniem. Badany jest przede wszystkim faktyczny stan zużycia komponentów, a nie ich wiek czy matematyczna kalkulacja eksploatacji. Podzbiorem technik predykcyjnego utrzymania ruchu jest np. monitoring stanu urządzeń (condition monitoring), który za pomocą pomiaru np. temperatury czy wibracji jest w stanie określić stopień zużycia poszczególnych urządzeń. W zaawansowanych systemach (a z takim mają Państwo do czynienia na naszym stanowisku) stosuje się również algorytmy uczenia maszynowego. W takim wypadku system zbiera ogromne ilości danych o pracy poszczególnych komponentów, a algorytmy poszukują wśród nich korelacji lub anomalii, co w praktyce da się łatwo przypisać do konkretnego – nadchodzącego – problemu.

Fakty z rynku

  • Czy system utrzymania ruchu ma duże znaczenie? Zgodnie z badaniami przeprowadzonymi przez Industry Week źle dobrane i wdrożone strategie utrzymania ruchu powodują obniżenie możliwości produkcyjnych przedsiębiorstwa o 5 do 20 procent.
  • Czy nieplanowane przestoje są rzeczywiście tak dużym problemem? Według badań grupy PTC nieplanowane przestoje kosztują światowy rynek produkcji przemysłowej około 50 miliardów USD rocznie!
  • Czemu te technologie zyskują na znaczeniu właśnie teraz? Zgodnie z obliczeniami firmy Deloitte pomiędzy rokiem 1992 a 2002 możliwości obliczeniowe komputerów rosły 52% rocznie! M.in. dzięki temu koszt przechowywania danych kosztuje obecnie ułamek tego co kiedyś. Przykład: 1GB danych w roku 1992 kosztował 569 dolarów!
  • Predictive maintenance jako przewaga konkurencyjna? Według badań przeprowadzonych przez MarketsAndMarkets, rynek predictive maintenance
    będzie rósł w tempie 28,4% przynajmniej do roku 2021.

Gdzie kryją się koszty w utrzymaniu ruchu? Zgodnie z GrandView Research koszty komponentów rozkładają się tak jak poniżej:

Elementy systemu predykcyjnego

Na czym polega nasze rozwiązanie?

Opracowaliśmy dla naszych klientów system, który niejako automatycznie zbiera dane z naszych komponentów. Monitorujemy między innymi statusy i różne parametry pracy naszych napędów. Wszystkie napędy w takim systemie traktujemy oddzielnie, gdyż każdy z nich może nam dać zupełnie różne wskazówki. Dane zbierane są z częstotliwością nawet do 0.4 ms, co oczywiście w krótkim czasie mogłoby doprowadzić do zebrania kilku terabajtów danych. W związku z tym nasz system przetwarza i analizuje te informacje, przez co do bazy danych trafiają tylko te najistotniejsze.

Nasza SCADA służy do agregacji tych danych i jednocześnie wizualizuje podstawowe parametry pracy. Ostatnim i najważniejszym elementem systemu jest sztuczna inteligencja, która wyciąga wnioski na temat stanu poszczególnych komponentów i informuje o ewentualnej konieczności działań serwisowych.

Czemu służy wizualizacja w predykcyjnym utrzymaniu ruchu?

Teoretycznie, dane wykorzystywane do uczenia maszynowego mogłyby trafiać od razu do odpowiedniej platformy obliczeniowej, a informacją zwrotną do użytkownika mogłaby być data spodziewanej awarii. Uważamy jednak, że dane o funkcjonowaniu poszczególnych komponentów mogą dostarczać wielu istotnych informacji – np. obserwacja w jaki sposób dany parametr zmienia się w czasie może służyć planowaniu potencjalnych działań.
W systemie predykcyjnego utrzymania ruchu pracujemy na ogromnych ilościach danych. Aby łatwiej można było wyciągać z nich jakiekolwiek wnioski, sprowadziliśmy te dane do trzech najważniejszych wskaźników, które możemy traktować jako Key Performance Indicators (KPI’s):
• Health score
• Breakdown possibility
• Vibration anomally
Już obserwacja tylko tych trzech parametrów pozwala służbom utrzymania ruchu na szybkie i efektywne reagowanie.

Czym jest uczenie maszynowe?

Uczenie maszynowe to forma wykorzystania sztucznej inteligencji do rozwiązywania problemów, które okazują się zbyt trudne dla możliwości poznawczych człowieka. Polega na wykorzystaniu bardzo zaawansowanych algorytmów, które pozwalają systemowi dosłownie „uczyć się”. Jest to iteracyjny proces, gdzie system informatyczny adaptuje się do nowych, ciągle napływających danych tak, aby dostarczać coraz lepsze i dokładniejsze wyniki. Gdy zastosujemy uczenie maszynowe w utrzymaniu ruchu, to system informatyczny będzie analizował parametry pracy maszyny i w sposób ciągły uczył się ich „zachowania”. To pozwala na natychmiastową identyfikację nawet najdrobniejszych anomalii, które w przyszłości mogłyby doprowadzić do awarii.