Развертывание алгоритмов диагностирования неисправностей в облаке и на периферии

Перевод статьи "Deploying Predictive Maintenance Algorithms to the Cloud and Edge".

Автор: Aditya Baru, MathWorks.

Для организаций, которые производят или эксплуатируют промышленное оборудование, программа диагностирования неисправностей является ключом к повышению эксплуатационной эффективности и снижению затрат на техническое обслуживание.

Однако, в это же время, разработка и развертывание алгоритмов диагностирования неисправностей для любого объекта, будь то самолет, аппарат МРТ, ветряная турбина или сборочная линия, может оказаться сложной задачей. Разработка алгоритмов требует не только большого опыта в использовании технологий машинного обучения, но и глубокого понимания поведения системы. И порой, трудно найти инженера, одновременно обладающего этими двумя навыками. Между тем, развертывание включает сложную серию шагов и взаимосвязей. Алгоритм должен быть реализован на нескольких объектах. Эти объекты будут подключены к нескольким периферийным устройствам, которые, в свою очередь, подключатся к системе IT/OT, которая может быть облачной, локальной или и тем, и другим. Части одного и того же алгоритма могут быть реализованы на разных элементах этой инфраструктуры, что усложняет работу (рисунок 1). OT – это комплекс программно-аппаратных средств, выполняющих мониторинг и/или управление физическим устройствами, процессами и событиями на предприятии.

Рисунок 1. Компоненты развернутой системы диагностирования неисправностей.

На примере упаковочной машины, в этой статье показано, как справиться с этими сложностями, и с помощью MATLAB® разработать алгоритм диагностирования неисправностей, и развернуть его в производственной системе.

Система технического обслуживания упаковочной машины

Упаковочная машина имеет несколько манипуляторов (Рисунок 2, слева). Манипуляторы двигаются вперед и назад с высокой скоростью, перемещая объекты на сборочную линию, используемую для упаковки. Они подключены к программируемым логическим контроллерам (programmable logic controller - PLC), которые обмениваются данными с системой IT/OT, развернутой в Microsoft® Azure®. Эта система IT/OT собирает потоковые данные с периферийных устройств, подключенных к манипуляторам, запускает алгоритмы диагностирования неисправностей, и на основе этих данных, находит аномалий в работе, прогнозирует поломку манипулятора, и возвращает, полученный результат на пульт управления, используемый инженерами или операторами.

Рисунок 2. Система диагностирования неисправностей упаковочной машины.

Алгоритм диагностирования неисправностей

Алгоритм диагностирования неисправностей этой системы состоит из двух компонентов. Первый реализуется на периферии и выполняет уменьшение объема данных с использованием методов выделения важных для анализа характеристик (признаков). Второй реализуется в облаке и использует значения этих характеристик и модель машинного обучения, чтобы предсказать сбой, и оценить оставшийся срок службы машины (remaining useful life - RUL). Результаты работы этого алгоритма передаются на пульт управления практически в реальном времени.

Разработка алгоритма уменьшения объёма данных

Первая часть нашего алгоритма диагностирования неисправностей воздействует на необработанные данные, генерируемые манипуляторами и регистрируемые датчиками. Мы отслеживаем скорость и ток, потребляемый двигателем, приводящим в движение каждый манипулятор.

Датчики, используемые в таких машинах, могут собирать данные с очень высокой скоростью. Хранение таких огромных объемов данных может быть дорогостоящим, а анализ потребует большого количества времени, поскольку, из-за большого объема, трудно идентифицировать интересующие области. Мы можем решить эту проблему с помощью выделения важных характеристик (признаков).

Методы выделения важных характеристик (или извлечения признаков) обрабатывают потоки необработанных данных, регистрируемых датчиками, и возвращают уменьшенный набор характеристик, которые фиксируют ключевую динамику, что значительно снижает потребности в объемах хранилища и передаче данных. Датчики манипулятора собирают данные с частотой 1 кГц, то есть 1000 выборок в секунду. Объединение этих данных до набора из пяти характеристик за одну секунду, в 200 раз сократит наши потребности в хранении и передаче данных. 

Используя приложение Diagnostic Feature Designer в Predictive Maintenance Toolbox ™, мы импортируем данные, полученные с датчиков манипулятора, извлекаем характеристики с помощью методов, базирующихся на сигналах и динамическом моделировании, а далее ранжируем характеристики по их способности отличать данные, генерируемые исправной машиной, от данных, генерируемых неисправной машиной (рисунок 3).

Рисунок 3. Приложение Diagnostic Feature Designer.

После того, как мы выбрали характеристики, которые будем извлекать, мы готовы реализовать и протестировать алгоритм уменьшения объёма данных на программируемом логическом контроллере, который работает в виде периферийного устройства. Вместо того, чтобы тестировать алгоритм на реальной машине, который может нанести ей вред, мы подключаем контроллер (PLC) к модели манипулятора, реализованной в Simscape™ на компьютере Speedgoat, работающим в реальном масштабе времени. Компьютер, работающий в реальном масштабе времени, может связываться с нашим программируемым логическим контроллером (PLC), отправляя и получая данные, как если бы это была настоящая машина. С помощью Simulink Coder ™ мы генерируем Cи-код алгоритма уменьшения объёма данных, чтобы развернуть его в контроллере (PLC). Затем мы развертываем нашу модель упаковочной машины в системе Speedgoat и выполняем моделирование при различных условиях сбоя, чтобы гарантировать правильную работу алгоритма в реальной среде (рисунок 4).

Рисунок 4. Развертывание на программируемом логическом контроллере и тестирование в реальном времени с использованием оборудования Speedgoat.

Разработка алгоритма прогнозирования

Теперь у нас есть периферийное устройство, которое уменьшает объем передаваемых данных, извлекая из него характеристики важные для прогнозирования. Мы можем передать уменьшенный объем данных в нашу систему IT/OT, используя Apache ™ Kafka, открытую платформу обработки потоковых данных, работающую в облаке Azure. Мы будем использовать эти потоковые данные для оценки оставшегося срока службы двигателей упаковочной машины.

По мере того, как состояние двигателя со временем ухудшается, значения извлеченных характеристик будут постоянно увеличиваться или уменьшаться с линейной или экспоненциальной скоростью (рис. 5). Основываясь на этой тенденции, мы выбираем экспоненциальную модель ухудшения характеристик в Predictive Maintenance Toolbox для прогнозирования будущего состояния машины.

Рисунок 5. Пример графика потоковых данных для оценки оставшегося срока службы двигателей упаковочной машины.

Чтобы сделать этот алгоритм совместимым с облачной системой, мы используем MATLAB Compiler SDK ™ для создания исполняемого файла, который затем интегрируем в систему IT/OT с помощью MATLAB Production Server ™ (рисунок 6).

Рисунок 6. Пример разворачивания системы в облаке.

Теперь у нас есть алгоритмы машинного обучения, которые прогнозируют сбои в упаковочной машине, используя характеристики, извлеченные из данных, полученных с периферийных устройств, подключенных к манипуляторам, и веб-панель, предоставляющая непосредственный доступ к результатам (рисунок 7).

Рисунок 7. Результирующий вид веб-панели.

Пример использования: IMA Active
 

IMA Active разрабатывает и производит автоматическое оборудование для обработки и упаковки в фармацевтической промышленности. Компания хотела разработать систему диагностирования неисправностей, которая отслеживала бы состояние пресс-машины для производства таблеток. Машина имеет важные движущиеся части, которые требуют тщательной смазки. Недостаточное количество смазки вызывает напряжение и поломку. Слишком много смазки может вызвать ее попадание в конечный продукт.

Система диагностирования неисправностей будет использовать данные, полученные от двух датчиков, уже имеющихся на машине, и будет самообучающейся, без необходимости внешнего вмешательства.

Инженеры IMA Active использовали Predictive Maintenance Toolbox для разработки алгоритмов этой системы. Они начали с извлечения характеристик с двух датчиков – всего 36 характеристик.

«Используя инструменты MATLAB, нам удалось извлечь и выбрать лучшие характеристики для построения модели классификации. Самый многообещающий алгоритм использует пять характеристик и имеет точность 89%».

 Алессандро Ферри, IMA Active

Они извлекали, визуализировали и ранжировали характеристики, полученные из данных датчика, с помощью приложения Diagnostic Feature Designer в Predictive Maintenance Toolbox. С помощью этих характеристик они обучили модель классификации неисправностей, которая использует методы машинного обучения для оценки состояния критически важных движущихся частей таблеточного пресса.

Система диагностирования неисправностей позволяет человеку, работающему на машине, оптимизировать использование ресурсов и планировать работы по техническому обслуживанию в соответствии с производственными потребностями.