предиктивное обслуживание с использованием цифрового двойника

В этой статье обсуждается разработка алгоритма предиктивного обслуживания для трехплунжерного насоса с использованием данных, полученных при моделировании цифрового двойника насоса в различных условиях неисправности.

Когда промышленное оборудование выходит из строя, проблемой часто становится не стоимость его замены, а вынужденный простой. Остановка производственной линии может означать потерю тысяч долларов каждую минуту. Регулярное обслуживание может помочь избежать незапланированных простоев, но не гарантирует, что оборудование не выйдет из строя.

Что, если бы машина могла указать, когда одна из ее частей вот-вот выйдет из строя? Что, если бы машина могла даже сказать вам, какую деталь нужно заменить? Незапланированные простои будут значительно сокращены. Плановое обслуживание будет выполняться только при необходимости, а не через фиксированные интервалы. Это цель предиктивного обслуживания: предотвращение простоев за счет использования данных датчиков для прогнозирования необходимости обслуживания.

В основе разработки любого алгоритма предиктивного обслуживания лежат данные датчиков, которые можно использовать для обучения алгоритма классификации для обнаружения неисправностей. Значимые параметры извлекаются из этих данных на этапе предварительной обработки и используются для обучения алгоритма машинного обучения для предиктивного обслуживания. Этот алгоритм экспортируется в программное обеспечение моделирования, такое как Simulink, для проверки, а затем развертывается в виде кода для блока управления машины.

Не всегда возможно получить данные с физического оборудования в полевых условиях при типичных условиях неисправности. Допущение неисправностей в полевых условиях может привести к катастрофическому отказу и разрушению оборудования. Умышленное же создание неисправностей в более контролируемых обстоятельствах может занять много времени, дорого или даже неосуществимо.

Решением этой проблемы является создание цифрового двойника оборудования и создание данных датчиков для различных неисправностей посредством моделирования. Такой подход позволяет инженерам генерировать все данные датчиков, необходимые для рабочего процесса преликтивного обслуживания, включая тесты со всеми возможными комбинациями неисправностей и неисправностями различной степени серьезности.

В этой статье обсуждается разработка алгоритма предиктивного обслуживания для трехплунжерного насоса с использованием MATLAB, Simulink и Simscape (рис. 1). Цифровой двойник фактического насоса создается в Simscape и настраивается в соответствии с измеренными данными, а машинное обучение используется для создания алгоритма предиктивного обслуживания. Алгоритму требуется только давление на выходе насоса, чтобы распознать, какие компоненты или комбинации компонентов могут выйти из строя.

Рис. 1. Рабочий процесс предиктивного обслуживания.

Создание цифрового двойника

Трехплунжерный насос имеет три плунжера, приводимых в движение коленчатым валом (рис. 2). Плунжеры расположены так, что один цилиндр всегда нагнетает, что делает поток более плавным, снижает неравномерность давления и, таким образом, снижает деформацию материала по сравнению с однопоршневым насосом. Типичные условия отказа такого насоса - изношенные подшипники коленчатого вала, негерметичные уплотнения плунжера и забитые впускные отверстия.

Рис. 2. Схема трехплунжерного насоса и график, показывающий объемный расход.

CAD-модели насосов, которые часто доступны у производителя, можно импортировать в Simulink и использовать для построения механической модели насоса для трехмерного моделирования нескольких тел. Чтобы смоделировать динамическое поведение системы, насос теперь необходимо дополнить гидравлическими и электрическими элементами.

Некоторые параметры, необходимые для создания цифрового двойника, такие как входное отверстие, ход и диаметр вала, можно найти в паспорте производителя, но другие могут отсутствовать или указаны только в некотором диапазоне значений. В этом примере нам нужны давления всасывания и нагнетания, при которых три обратных клапана, питающие выход, будут открываться и закрываться. У нас нет точных значений этих давлений, поскольку они зависят от температуры рабочей жидкости.

График на Рис. 3 показывает, что моделирование насоса с грубыми оценками (синяя линия) недостаточно соответствует полевым данным (черная линия). Синяя линия в некоторой степени напоминает измеренную кривую, но различия явно велики.

Рис. 3. Оценка параметров с использованием данных измерений.

Мы используем Simulink Design Optimization™ для автоматической настройки значений параметров, чтобы модель генерировала результаты, соответствующие измеренным данным. Параметры, выбранные для оптимизации, находятся в блоке Check Valve Outlet в Simscape (рис. 4). Simulink Design Optimization выбирает значения параметров, запускает моделирование и вычисляет разницу между смоделированными и измеренными кривыми. На основе этого результата выбираются новые значения параметров и запускается новое моделирование. Градиенты значений параметров вычисляются для определения направления, в котором параметр должен быть отрегулирован. В этом примере сходимость достигается быстро, так как были настроены только два параметра. Для более сложных сценариев с большим количеством параметров важно использовать возможности, которые ускорят процесс настройки.

Рис. 4. Значения параметров настройки в Simscape.

Создание прогнозной модели

Теперь, когда у нас есть цифровой двойник нашего насоса, следующим шагом является добавление в модель поведение отказавших компонентов.

Есть разные способы добавить поведение неисправности. Многие блоки Simulink имеют раскрывающиеся меню для типичных неисправностей, таких как короткое замыкание или разрыв цепи. Простое изменение значений параметров может моделировать такие эффекты, как трение или затухание. В этом примере будут рассмотрены три типа неисправностей: повышенное трение из-за изношенного подшипника, уменьшенная площадь прохода из-за заблокированного всасывающего отверстия и утечки через уплотнения на плунжерах. Первые две неисправности требуют корректировки параметров блока. Чтобы смоделировать утечку, нам нужно добавить путь к гидравлической системе.

Как показано на рис. 5, выбранные условия отказа можно включать и выключать либо из пользовательского интерфейса, либо из командной строки в MATLAB. В представленной здесь модели все неисправные состояния переключаются с помощью команд MATLAB. Таким образом, весь процесс можно автоматизировать с помощью скриптов.

Рис 5. Моделирование утечки в насосе. Параметры можно изменять с помощью диалогового окна блока насоса (вверху) или командной строки (внизу).

При моделировании насоса, показанного в верхней части рис. 6, были допущены две неисправности: заблокированный вход и утечка через уплотнение на плунжере 3. Эти неисправности обозначены красными кружками. График на Рисунке 6 показывает результаты моделирования для выходного давления как непрерывной линией (синий), так и с шумом (желтый). Данные, сгенерированные при моделировании, должны включать шум эффекта квантования, потому что нам нужно обучить наш алгоритм обнаружения неисправностей с данными, которые являются максимально реалистичными.

Рис. 6. Вверху: Схема насоса, показывающая заблокированный вход и утечку через уплотнение. Внизу: график моделирования давления на выходе (синяя линия) и выборки с шумом (желтая линия).

Зеленая рамка на рис. 6 указывает нормальный диапазон значений давления на выходе. Есть всплески, явно выходящие за пределы нормального диапазона, что указывает на некоторую неисправность. Одни только эти показания могут сказать инженеру или оператору, что с насосом что-то не так, но по-прежнему невозможно точно определить причину неисправности.

Мы используем это моделирование для получения данных о давлении для насоса при всех возможных комбинациях условий неисправностей. Для цифрового двойника создано около 200 сценариев. Каждый сценарий необходимо смоделировать несколько раз, чтобы учесть эффекты квантования в датчике. Поскольку этот подход требует нескольких тысяч симуляций, мы хотим ускорить процесс генерации данных.

Один из типичных подходов - распределить моделирование по потокам, доступным на многоядерных машинах, или по нескольким машинам или компьютерным кластерам. В зависимости от сложности проблемы, временных ограничений и ресурсов этот подход поддерживается Parallel Computing Toolbox™ и MATLAB Parallel Server™.

Другой подход заключается в использовании функции быстрого перезапуска в Simulink, которая использует тот факт, что многим системам требуется определенное время установления, пока не будет достигнуто устойчивое состояние. При быстром перезапуске эту часть теста нужно моделировать только один раз. Все последующие симуляции начнутся с точки, когда система достигла устойчивого состояния. В текущем примере время установления будет составлять около 70% времени моделирования, необходимого для одного теста (рис. 7). Следовательно, с помощью Fast Restart можно сэкономить около двух третей времени моделирования. Поскольку Fast Restart можно настроить из командной строки MATLAB и из скриптов, он идеально подходит для автоматизации процесса обучения.

Рис. 7. Использование функции Fast Restart в Simulink для сокращения времени моделирования.

Следующим шагом является использование результатов моделирования для их внесения в алгоритм машинного обучения. Predictive Maintenance Toolbox™ предоставляет различные возможности для извлечения данных обучения. Поскольку сигнал, который мы здесь рассматриваем, является периодическим, быстрое преобразование Фурье (FFT) представляется наиболее многообещающим. Как показано на Рис. 8, результатом является небольшое количество четко разделенных скачков с разной амплитудой для отдельных неисправностей, а также для сочетаний неисправностей. Это тот тип данных, с которым алгоритм машинного обучения может очень хорошо работать.

Рис. 8. Использование быстрого преобразования Фурье для извлечения обучающих данных.

Результаты FFT для каждого сценария сбоя заносят в таблицу, содержащую неисправности плюс наблюдаемые частоты и амплитуды сигналов. В результате количество параметров, которые необходимо учитывать, сравнительно невелико.

Теперь, когда доступны все данные, необходимые для обучения алгоритму обнаружения неисправностей, их можно импортировать в Statistics and Machine Learning Toolbox™. Мы будем использовать подмножество сгенерированных данных для проверки обученного алгоритма.

Визуализируем результаты тренировочного процесса в Statistics and Machine Learning Toolbox. Эти визуализации позволяют нам сравнивать сильные и слабые стороны различных алгоритмов и определять, нужны ли дополнительные данные для обучения. Выбираем обученный алгоритм, который достиг максимальной точности определения неисправности насоса по измеренным данным. Мы импортируем этот алгоритм в цифровой двойник для проверки, используя семь тестовых примеров, сохраненных для этой цели (рис. 9). Как показывают окончательные результаты, алгоритм классификации способен безопасно обнаруживать все семь сценариев. Теперь он готов к установке на блоке управления.

Рис. 9. Экспорт наиболее точной модели для проверки.

Реальным применением этого рабочего процесса является промышленное оборудование, которое будет использоваться во всем мире в самых разных условиях окружающей среды. Такое оборудование может быть изменено: может быть выбран новый поставщик уплотнения или клапана, или насос может работать с различными типами жидкостей или в новых средах с различными дневными диапазонами температур. Все эти факторы влияют на давление, измеряемое датчиком, что может сделать алгоритм обнаружения неисправности ненадежным или даже бесполезным. Возможность быстрого обновления алгоритма с учетом новых условий имеет решающее значение для использования этого оборудования на новых рынках.

Описанный здесь рабочий процесс можно автоматизировать с помощью скриптов в MATLAB, и большую часть работы можно использовать повторно. Единственный шаг, который необходимо повторить, - это сбор данных в условиях, сопоставимых с теми, с которыми насос может столкнуться в полевых условиях.

Благодаря последним достижениям в области интеллектуального взаимодействия, производители станков даже смогут доставлять оборудование клиентам с предварительными настройками, удаленно собирать данные в реальных условиях на месте, обучать алгоритм обнаружения неисправностей, а затем удаленно повторно развертывать его на машине. Это откроет новые возможности для поддержки клиентов, включая повторное обучение обнаружению неисправностей на оборудовании, которое использовалось в течение некоторого времени в условиях конкретной площадки. Информация, собранная на многочисленных машинах, принесет пользу как клиентам, так и производителям.

Заключение

Предиктивное обслуживание помогает инженерам точно определить, когда оборудование нуждается в обслуживании. Это сокращает время простоя и предотвращает отказы оборудования, позволяя планировать техническое обслуживание на основе фактических потребностей, а не заранее определенного графика. Часто создание условий отказа, необходимых для обучения алгоритму предиктивного обслуживания на реальной машине, является слишком дорогостоящим или даже невозможным. Решение этой проблемы - использовать полевые данные полностью работающей машины для настройки физической 3D-модели и создания цифрового двойника. Затем цифровой двойник может быть использован для разработки алгоритма прогнозируемого обнаружения технического обслуживания для развертывания на контроллере реального оборудования. Процесс может быть автоматизирован, что позволяет быстро адаптировать его к различным условиям, обрабатываемым материалам и конфигурации оборудования.

Опубликовано 2019