facebook
Exkluzivní partner sekce
Tematické sekce
 
Branžové sekce
Přehledy
 
Tematické seriály
 

GDPR

General Data Protection Regulation zásadně mění zpracování osobních údajů a zavádí nové povinnosti...

články >>

 

Jak uřídit IT projekt a nezbláznit se

Užitečné tipy a nástroje pro řešení problémů řízení inovací a vývoje produktů...

články >>

 

Industry 4.0

Průmysl 4.0

Jaký vliv bude mít čtvrtá průmyslová revoluce na výrobu a výrobní firmy?

články >>

 

Komplexní svět eIDAS

O nařízení eIDAS již bylo mnoho řečeno i napsáno. A proto jediné, o čem...

články >>

 

Trendy v CRM

Systémy pro řízení vztahů se zákazníky (CRM) prochází v posledních letech výraznou změnou. Zatímco dříve...

články >>

 

Příručka úspěšného IT manažera

Dnes je řada IT manažerů opomíjena. Úspěšní bývají brouci Pytlíci a Ferdové...

články >>

 
Partneři webu
Navisys
IT SYSTEMS 9/2015 , Plánování a řízení výroby

Modelování pro prediktivní údržbu



Acrea CRPrediktivní údržba (PdM – Predictive Maintenance) zefektivňuje stávající způsob provádění kontrol a údržby strojů. Přináší finanční a časové úspory a omezuje nutnost provádět destruktivní kontroly. Vychází ze statistického a data miningového zpracování dat. Prediktivní modely se opírají o informace z předcházejících preventivních údržeb a kontrol a pomáhají nalézt nové vztahy.


O prediktivní údržbě

Nejčastější způsob provádění údržby je údržba preventivní, kdy jsou předem stanovena pravidla pro zkontrolování zařízení a strojů, včetně rozsahu, v jakém bude údržba prováděna. Prediktivní údržba si klade za cíl nalézt nové optimální časové okamžiky, ve kterých k údržbě dojde. Využívá k tomu vstupní informace získané z provozu a z výsledků předchozích preventivních kontrol. Prediktivní údržba pracuje se statistickými nástroji pro odhalování vazeb, které nejsou předem známy jako technologicky kritické, přesto jejich výskyt vede k navýšení rizika poruchy.

Význam prediktivní údržby spočívá v minimalizaci nákladů na údržbu a ztrát, způsobených selháním zařízení, nejenom na technice a plánu výroby, ale i na lidském zdraví. Pro pevně dané finanční a lidské zdroje, které jsou určeny k provádění kontrol a údržby, je cílem nalézt ty nejohroženější nebo nejnebezpečnější zařízení a zaměřit se právě na ně. Analogickou úlohou (duální) je snaha o co největší minimalizaci nákladů na údržbu s maximálním přípustným rizikem selhání.

Statistický přístup

Základní statistické metody dokáží poskytnout nové důležité informace o skutečném stavu zařízení. U dat, která nepodléhají trendu, můžeme často předpokládat, že pocházejí z normálního rozdělení. Jako interpretace poslouží představa, že odchylka od průměrného měření pro jednotlivé případy je součtem nekonečně malých jevů, které potom asymptoticky vytvářejí měření z normálního rozdělení.

Při takové konstrukci pak do vzdálenosti dvou směrodatných odchylek spadá 95 % předpokládaných naměřených hodnot a do vzdálenosti tří směrodatných odchylek se vyskytuje 99,73 % všech měření. Do vzdálenosti šesti směrodatných odchylek pak dokonce nepatří pouze 2 případy z miliardy. V případě, že došlo k naměření hodnoty překračující tyto meze, můžeme indikovat změnu chování přístroje. Začnou-li se takovéto situace vyskytovat častěji oproti předcházejícímu období, pak můžeme předpokládat stále horší vlastnosti stroje. Tento přístup se nazývá šest sigma (6?), neboť sigma ve statistické terminologii označuje směrodatnou odchylku.

Obr. 1: Metoda šesti sigma.
Obr. 1: Metoda šesti sigma. Na ilustračních datech se vyskytuje sekvence velmi neobvyklých měření, u kterých je silně nepravděpodobné, že by vznikla přirozeně.

Například je-li měřena pracovní teplota stroje s průměrem 70°C a 99,7 % měření se nachází v intervalu 65°C-75°C. Podle technologických parametrů nesmí teplota překročit 100°C, přesto zjistíme-li, že v některých případech došlo k neočekávanému skoku na 85°C, je tato hodnota sice stále v technologické mezi, ale je vysoce nepravděpodobná. Navýšení výskytu těchto neobvyklých hodnot signalizuje větší opotřebení zařízení.

Analogicky je třeba sledovat samotný vývoj průměrů a rozptýlení přes směrodatné odchylky. Nárůst rozptýlení a posun průměrné hodnoty, byť stále v technologické mezi, poukazuje na vyšší opotřebení.

Modelování

Zásadním úkolem u prediktivní údržby je odhad pravděpodobnosti selhání zařízení. Tato úloha je poměrně náročná, neboť zprvu nemáme představu, kdy již je dosaženo kritického chování. V prediktivní údržbě používáme modelovací techniky, kde na základě známých dat předpovídáme budoucí stav zařízení. Za tímto účelem je nezbytné mít k dispozici historické údaje o provozu zařízení a hodnocení předcházejících oprav.

Historické opravy odpovídají cílové proměnné, kterou se snažíme predikovat vzhledem k chování zařízení před opravami. Snažíme se tedy odhadnout výsledek teoretické kontroly, jakoby jsme ji právě prováděli. Model nám umožňuje vybrat podobně se chovající zařízení vůči těm, u nichž bylo provedení údržby nezbytné, nebo taková zařízení, která se chovají nejvíce nestandardně a jsou tudíž nejvíce ohrožená.

Úlohy

Existuje několik základních úloh, které modelování řeší. Nejčastější úlohou je úloha klasifikační, kdy je predikována proměnná kategorizovaná, často pouze dvoustavová se stavy porucha/bez_poruchy. Obecně však predikovaných stavů může být i více. Pomocí předchozích znalostí o chování zařízení odhadujeme pravděpodobnosti jednotlivých stavů. Vypočítané pravděpodobnosti nám pak umožní zvolit vhodný scénář pro provedení odpovídající údržby.

Úloha pracující s číselnou proměnnou, tj. takovou, jež nabývá spojitých hodnot, se nazývá regresní úloha. V situaci, kdy sledovaná číselná veličina narůstá a dojde k překročení stanovené meze, je třeba sjednat zásah. Predikujeme, s jakou pravděpodobností v budoucnosti k překročení meze dojde. Dosáhne-li odhadnutá pravděpodobnost překročení meze příliš vysoké hodnoty, pak provedeme celkovou opravu nebo speciální měření, které ověří, zda skutečně k překročení došlo. Prediktivní údržba tak umožňuje odhalit situace, kdy kontrola nebo oprava není s dostatečnou jistotou nutná.

Obr. 2: Číselná proměnná a pravděpodobnost překročení kritické hodnoty.
Obr. 2: Číselná proměnná a pravděpodobnost překročení kritické hodnoty. Model logaritmické lineární regrese odhaduje, že k překročení kritické hodnoty 11 v čase 50 nastane s pravděpodobností 2,5 %, neboť se hodnota 11 protíná v čase 50 s horní mezí 95 % konfidenčního intervalu individuálních měření. Poznamenejme, že zbývajících 2,5 % pravděpodobnosti leží pod dolní mezí konfidenčního intervalu.

Mezi abstraktnější modelovací přístupy patří nesupervizované seskupování, kdy nesledujeme jeden kritický parametr, ale porovnáváme datově podobná zařízení a rozčleňujeme je do homogenních podmnožin. Neexistuje zde cílová proměnná (supervizor, učitel). Nesupervizovaným seskupováním můžeme identifikovat podobná zařízení a implementovat přístup k novým zařízením na základě toho, že se chovají podobně jako ta již analyzovaná. Seskupování odhaluje i složitější interakce mezi vstupními parametry, které zapříčiňovaly nevhodný stav zařízení, na jaké bychom jinak nemuseli přijít.

Evaluace modelů a projektů

Modely je třeba před nasazením do provozu vyhodnotit (evaluovat), zda dokáží nalézt informaci i v nových datech a nenaučily se pouze nazpaměť vstupní historická data. Vedle evaluace technického řešení je potřebné i vyhodnocení celého projektu, zda předpokládané výsledky a přínosy splňují stanovená očekávání. Nejsou-li výsledky dostatečně uspokojivé, je třeba se vrátit až na začátek a přeformulovat požadavky nebo vyhledat nová vstupní data, u kterých se předpokládá, že dokáží poskytnout požadovanou informaci.

Nasazení a rozhodování

Pro správné a efektivní řízení je důležité vybudovat rozhodovací systém, který bude získané informace zpracovávat a přehledně o nich informovat další osoby s rozhodovacím oprávněním, které zvolí, zda na základě výsledků analýz prediktivní údržby provedou zásahy do současného scénáře údržby.

Obr. 3: Rozhodovací tabulka.
Obr. 3: Rozhodovací tabulka. Na základě následků havárie zařízení a odhadnuté pravděpodobnosti bude provedena odpovídající akce.

Člověkem řízené rozhodování o provedení akce je nezbytné, neboť téměř vždy s reálnou situací interferují neobvyklé vnější faktory, které sebelepší automatizované rozhodování nedokáže podchytit. Na druhou stranu automatizace údržby dokáže aktivovat alarm a informovat tak o nebezpečné situaci, která může vést k ohrožení výroby, a jež by jinak nebyla podchycena standardním přístupem.

Prediktivní údržba poskytuje nástroj pro zlepšení a zefektivnění stávajícího přístupu ke kontrolám a opravám zařízení. Nabízí jiný pohled na stav zařízení než čistě přes technické a technologické postupy. Přestože prediktivní údržba vyžaduje nemalé investice do sběru dat, vývoje modelů a změny rozhodovacího procesu, je významným přínosem, neboť snižuje náklady omezením nadbytečných oprav a navyšuje ochranu před selháním zařízení.

Vojtěch Skubanič, ACREA CR Vojtěch Skubanič
Autor článku je lektor, analytik a odborný konzultant společnosti ACREA CR. Vojtěch se věnuje analytické činnosti nejen v oblasti statistiky, ale i data miningu. V současnosti se zaměřuje zejména na projekty týkající se Predictive Maintenance.
Chcete získat časopis IT Systems s tímto a mnoha dalšími články z oblasti informačních systémů a řízení podnikové informatiky? Objednejte si předplatné nebo konkrétní vydání časopisu IT Systems z našeho archivu.

Inzerce

Spolupráce Lenovo a AMD přináší firmám EPYCká řešení pro datová centra

AMD LenovoVzájemné partnerství společností Lenovo a AMD bylo dlouhé roky orientováno především na počítače a mobilní zařízení. Nejnovější kapitola této spolupráce se však odehrává na poli datových center.