COME IL MACHINE LEARNING PUÒ MIGLIORARE LA DISPONIBILITÀ DEGLI ASSET

LE APPLICAZIONI DEL MACHINE LEARNING PER IL MONITORAGGIO E LA GESTIONE DEGLI ASSET

COME IL MACHINE LEARNING PUÒ MIGLIORARE LA DISPONIBILITÀ DEGLI ASSET

Le applicazioni del Machine Learning (ML) nel settore manifatturiero sono ormai in circolazione da molti anni. Inizialmente (10 anni fa), erano riservate a grandi società che disponevano di ampie risorse economiche ed umane. Queste soluzioni erano molto costose da acquistare e implementare. Una volta implementate, le soluzioni richiedevano molte risorse del personale tecnico per mantenere i modelli degli asset e valutarne i risultati.

Oggi, esistono numerose applicazioni del Machine Learning in ambito industriale che possono essere implementate in un periodo di tempo limitato e senza investire troppi soldi e risorse. In questo articolo, forniremo una panoramica su come utilizzare le applicazioni del Machine Learning per il monitoraggio e la gestione degli asset e presenteremo alcune delle diverse applicazioni attualmente utilizzate.

 

CREAZIONE DI UN MODELLO DI MACHINE LEARNING

Le applicazioni del Machine Learning vengono utilizzate per identificare l’insorgenza di un guasto, prima che questo si verifichi. Se hai familiarità con una curva PF, sai che prima identifichi un potenziale guasto, meglio è.

Nelle applicazioni software di Machine Learning, si inizia creando un modello matematico dell’asset. Il modello comprende tutti i parametri di processo associati a quello specifico asset. Questi parametri sono in genere memorizzati in un database che acquisisce i dati dal DCS dell’impianto, i PLC associati, i registri elettronici, ecc.

Se, per esempio, stiamo progettando il modello di una pompa, la pressione di aspirazione, la pressione di scarico, la posizione della valvola di controllo, la temperatura e la vibrazione dei cuscinetti sarebbero dei buoni esempi di parametri da includere nel modello. La maggior parte dei modelli ha tra i 10 e i 30 parametri, ma esistono anche modelli con quasi 100 parametri.

 

ADDESTRAMENTO DI UN MODELLO DI MACHINE LEARNING

Una volta creato il modello, i dati storici dei parametri vengono importati nel modello. Questo dataset è in genere noto come set di dati per “l’addestramento” e normalmente include un anno di dati. Un dataset di un anno consente al modello di tenere conto delle variazioni stagionali delle operazioni di gestione. Una persona esperta nel funzionamento dell’asset saprebbe quindi quali sono i dati da includere nel set di addestramento (buon funzionamento) e quali da escludere da quest’ultimo (cattivo funzionamento). Il machine learning quindi utilizza il set di dati addestramento per sviluppare una matrice operativa dell’asset. La matrice identifica sostanzialmente il modo in cui la macchina dovrebbe funzionare in un dato momento in base ai dati di addestramento utilizzati per crearla.

Ma il bello deve ancora venire: il software monitora costantemente il funzionamento della macchina e prevede quali dovrebbero essere i valori dei parametri della macchina in base alla matrice che ha ricevuto in input. Se un parametro si discosta dalla previsione del modello di una percentuale significativa, il sistema genera un avviso relativo a quel particolare parametro. Viene quindi eseguita un’analisi tecnica sull’asset per valutare il cambiamento di condizione e le cause che potrebbero averlo innescato.

 

ESITI DELL’ANALISI

Generalmente l’analisi può avere 3 esiti:

  1. 1) l’avviso è valido, il problema necessita una soluzione;
  2. 2) l’avviso richiede ulteriori dati operativi, il software continua a monitorare i parametri ad esso associati;
  3. 3) l’avviso è un falso positivo, il modello viene addestrato con i dati aggiuntivi e re implementato.

 

In ogni caso, l’applicazione del Machine Learning richiede risorse dedicate per la manutenzione dei modelli e l’analisi dei problemi degli asset insieme ai responsabili tecnici dell’impianto. Una risorsa a tempo pieno impiega in genere il 40% del tempo per la manutenzione dei modelli, il 40% del tempo a lavorare con i responsabili tecnici dell’impianto e il 20% del tempo a valutare i benefici generati dall’implementazione della soluzione.

 

I RISULTATI

I risultati dell’implementazione del Machine Learning per i sistemi industriali sono molto potenti. Le applicazioni software identificano i cambiamenti nelle condizioni di funzionamento della macchina che non sono evidenti all’occhio umano.

 

RISULTATO 1

La Figura 1 mostra un incremento di vibrazione del cuscinetto della ventola di un ventilatore a causa di una perdita di olio. Questa condizione ha generato un allarme. La soluzione creata con il Machine Learning aveva previsto che la vibrazione del cuscinetto avrebbe dovuto essere di circa 3,5 mm date le attuali condizioni operative. La vibrazione del cuscinetto si è lentamente allontanata dal valore previsto generando così un allarme non appena ha raggiunto il valore di 4,7 mm. I responsabili tecnici dell’impianto sono così stati allertati e, tramite ispezione visiva della ventola, hanno identificato una perdita d’olio.

L’aspirazione del ventilatore stava effettivamente aspirando nell’alloggiamento della ventola l’olio fuoriuscito dalla perdita, per questo motivo non c’era alcuna indicazione della perdita sul terreno. L’olio sulle pale della ventola ha accumulato sporco e detriti, causando uno sbilanciamento nella rotazione e quindi un aumento di vibrazione. I responsabili tecnici dell’impianto sono stati in grado di intraprendere azioni correttive per arrestare la perdita prima che il cuscinetto fosse danneggiato.

Figura 1: Aumento della vibrazione della ventola

 

RISULTATO 2

La Figura 2 mostra il progressivo decadimento della purezza dell’idrogeno su un grande generatore a turbina. La linea verde rappresenta il valore previsto del modello. La linea blu rappresenta il valore reale e i punti rossi sono i valori dove il parametro è andato in allarme. Durante il mese mostrato nella figura, i tecnici d’impianto non hanno notato il lento decadimento della purezza dell’idrogeno. L’allarme generato dal software ha allertato in anticipo i tecnici, avendo così il tempo di risolvere il problema senza incorrere in un fermo impianto non previsto.

Figura 2: purezza dell’idrogeno del generatore a turbina

 

RISULTATO 3

La Figura 3 riguarda un sistema elettroidraulico (EHC) che controlla la posizione della valvola, la velocità della turbina e le valvole di sicurezza. In questo caso, la pressione differenziale attraverso il filtro “A” della pompa EHC ha iniziato ad aumentare. I tecnici sono stati allertati per tempo e sono stati in grado di passare dalla pompa “A” alla pompa “B”. In questo modo, si sono evitati il blocco di emergenza della turbina e tutti i danni ad esso associati.

Figura 3: filtro del sistema elettroidraulico
RISULTATO 4

Il sistema di lubrificazione fornisce olio alla scatola del cambio e a tutti i cuscinetti. Il modello dell’asset prevedeva che la temperatura fosse di 90 °F, ma la temperatura effettiva ha raggiunto i 110 °F. Il software ha quindi generato un allarme per i tecnici dell’impianto che hanno scoperto che la valvola di controllo dell’acqua di raffreddamento allo scambiatore di calore dell’olio lubrificante era guasta. Il sistema è tornato a regime sostituendo la valvola di controllo.

 

CONCLUSIONE

In questo articolo, abbiamo introdotto una panoramica su come utilizzare le applicazioni del Machine Learning per il monitoraggio degli asset e presentato alcune delle diverse applicazioni attualmente utilizzate.

Per avere maggiori informazioni su questi esempi o su come implementare modelli di Machine Learning per i tuoi asset, contattaci!

Altre Case History:

Condividiamo periodicamente articoli, casi di studio e novità con la nostra community:
iscriviti anche tu per ricevere gli aggiornamenti!