预测维护应用中的机器学习适应

经过安瓦尔·r·Al-Odail

类别:
技术趋势

研究和开发的不断发展已经发展了新的智能解决方案,尤其是数据收集机制的188滚球手机版增长能力。这种进步使各种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。机器学习(ML)算法对决策技术具有切实影响,以及云集成解决方案的快速增长和硬件解决方案。此外,适应维护工作的强大管理系统可以在设备故障和关闭期间降低不需预测的成本。本文探讨了在预测维护中ML解决方案的开发过程,并凸显了在工业领域适应ML解决方案的主要优势和挑战。

维护管理方法

在工业部门,有三种主要的方法用于管理维修工作。它们包括:

  • Run-to-failure (R2F):这是在加工设备或仪器设备出现故障时进行维修工作的最传统的方法。R2F被认为是管理维护工作时最简单的方法。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,而不是在失败时行为。虽然PVM可以消除未预测的失败,但通常适用不需要的纠正措施,这可能导致资源的利用率无效,以及成本升级。
  • 预见性维护(PdM):这是根据使用健康检查处理设备或仪器的运行检查的连续监控,最有足够的方法。PDM使维护团队能够提前预测失败,并允许团队提前采取纠正措施。

机器学习和预测维护

PDM中的ML适应可以减轻与维护活动相关的几个挑战,特别是对于未预测的失败。因此,值得探索这种集成,以优化维护工作,并在计划生计划的停机期间避免严重后果。ML和PDM之间的整合下降了两类:监督和无人监督。

机器学习

监督类意味着在系统数据库中有可用的故障预测信息,而非监督类则没有关于维护需求的可用信息。系统数据库包含有关处理设备的高级信息,系统利用分组和关联技术来识别处理数据中的特征分组,然后预测理解它的方法。两个类之间的选择取决于维护策略的性质。例如,有监督的类适合在两个维护周期之间预测故障事件的特定应用程序,否则可以采用另一种方法,如无监督类。

ML中PDM后面的司机是什么?

许多工业部门正在向行业革命(IR)4.0和物联网(物联网)被认为是IR 4.0最重要的驾驶员。IOT在过去的不同机器之间的数据交换功能,并且这些技术在过去没有探索。IOT使智能传感器的适配,可以以更有效的方式查看和分析处理数据。

数据收集提供了一个智能网关,用于预测未来运行设备的健康状况和仪器设备,这是PdM的重要功能之一。ML算法基于历史信息建立训练模型,然后对机器进行健康预测,如机器故障的可能性。

如何实施ML?

PdM利用来自机器仪表设备(压力、温度等)的数据流机制来确定机器行为的正常状态,然后在特定的时间框架内预测缺陷的可能性。ML建模可以按照以下几个阶段进行:

机器学习

数据采集

第一阶段是使用智能传感器从操作机器内部可能出现故障的部件(如轴承、转子等)收集数据。在数据集的帮助下,整个流程可以获得更好的结果,该数据集演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

为了实现更高的精度和更好的数据预测表现,数据流处理结合了机器处理设置,如设置点、配置和历史数据。这些细节可以从不同的来源收集,例如,企业管理系统。

数据建模

数据流进入彻底的分析以确定依赖关系,并且还执行与可能的失败指示相关联的技术命题,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的概念,用于检测故障,以及建立ML算法作为预测模型的基础。数据预测包含在最终批准预测模型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中采用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著的好处,包括:

  • 提高运营设备的可靠性和降低成本费用

ML解决方案提供石油和天然气公司智能工具,用于估计在发生之前的潜在故障。此功能允许公司准备维护工作的有效计划,并根据失败的可能性,对关键设备的重点优先顺序。因此,公司可以通过基于故障预测优先考虑计划的维护来消除不必要的工作来减少维护费用。

  • 提高操作设备效率

ML解决方案最大限度地利用操作设备,通过确保更可靠和灵活的操作来提高操作单元生产率。数据建模对运营设备的几个部分提供了深入的指示,这有助于公司维护生产性能并建立改善操作设备寿命的机制。

  • 减少环境影响

ML溶液可以减少与泄漏检测相关的环境影响,包括石油和天然气。调整此类解决方案有助于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?

尽管许多行业,如石油和天然气公司,被认为是PdM中应用ML解决方案最成功的公司,但仍存在一些挑战和限制,可能会阻碍实施:

  • 将ML解决方案应用于传统操作设备

工业部门正在使用控制系统,如分布式控制系统(DCS)和监督控制和数据采集(SCADA),多年来。大多数传统操作设备主要与内部网络基础架构相关联,并没有与TCP / IP网络相关联。尽管存在一些技术可用于建立旧通信协议之间的连接,但完全集成成为工业部门的主要挑战。

  • 收集足够的数据流

为了确保准确可靠的估计,需要安装智能传感器以收集有关触发操作设备的所需信息以建模故障检测功能。收集足够量的信息可能需要很长时间,并且在植入生命周期中存在延迟的可能性。

  • 预期网络覆盖弱的中断

工业部门需要维护强大的网络覆盖,专门用于位于网络覆盖的远程区域的操作设备或单位,这些设备可能会破坏网络覆盖,这会影响可靠性以及数据流过程的准确性。网络中断可能会恶化M1算法的整体性能,并且可以使误导性与故障预测相关的假设。

关于作者:Anwar R. Al-Odail是沙特阿拉伯国家石油公司(Saudi Aramco)的控制系统和自动化专家,拥有系统与控制工程学士和硕士学位。Fahad A Al-Amer是沙特阿拉伯国家石油公司控制系统和自动化部门负责人。

与弧咨询小组聘用188滚球手机版

Baidu