De prestaties van bedrijfsmiddelen verbeteren met machine learning

De huidige leidinggevenden in de sector ontdekken nieuwe manieren om de betrouwbaarheid en waarde van hun bedrijfsmiddelen te maximaliseren. Met prestatiebeheer van activa mogelijk gemaakt door het Industrial Internet of Things (IIoT) en machine learning, kunnen bedrijven zowel apparatuur als procesgegevens gebruiken om de levensduur van hun activa te verlengen en optimale betrouwbaarheid te bereiken.

Gemiddeld wordt tot 15 procent van de brutomarge opgeslokt door ongeplande downtime. Ter vergelijking:de best-in-class prestatie wordt geschat op 5 procent. Het elimineren van deze verliezen vereist onderhoud en productie om op nieuwe manieren samen te werken.

De traditionele benadering van betrouwbaarheid was het bouwen van een first-principles-model van het activum, het afstemmen van het model met realtime gegevens, het implementeren van corrigerende factoren of het creëren van regels voor nauwkeurigheid, het vergelijken van modeloutputs met realtime gegevens en het markeren van statistische afwijkingen van normale omstandigheden . Deze modellen kijken echter alleen naar activagegevens. Ze kunnen stroomopwaarts in het proces niet "zien" om oorzakelijk gedrag te identificeren dat activa degradeert en kunnen alleen signaleren wanneer het begin van de schade duidelijk wordt - wanneer de schade al is aangericht.

Deze conventionele methode voor het voorspellen van prestaties is 40 jaar geleden ontwikkeld in modellen op basis van technische vergelijkingen, statistische technieken en regelengines, maar velen vertrouwen er nog steeds op. Machine learning is pas recentelijk opgekomen. Beide technieken lijken vaak dezelfde problemen op te lossen, maar verschillen op het gebied van menselijke betrokkenheid en nauwkeurigheid van voorspellingen.

Modelleringstechnieken, die uitgebreide ervaring en vaardigheden met geschikte kalibratietechnieken vereisen, zijn en blijven zeer succesvol. Met de eerste principes moet specifiek gedrag worden begrepen. Realtime, dynamische modellen bieden voorspellingen van voorspellingsgedrag op elk moment in de tijd, wat een diepgaand inzicht geeft in de verwachte prestaties.

Wat het oplossen van het probleem van ongeplande onderbrekingen en downtime zo uitdagend maakt, is de dynamische aard van productieprocessen. Met duizenden variaties die tegelijkertijd plaatsvinden binnen het proces, is het voor modellen moeilijk om precies te voorspellen welke patronen of trends tot ongeplande gebeurtenissen zullen leiden.

First principles (engineering) modellen tonen alleen geschat, verwacht of waargenomen gedrag op basis van hygiënisch schone, best-case prestaties. Hoe vaak draait de mechanische apparatuur op deze manier?

Is het hetzelfde bij 30, 50, 100 of 110 procent doorvoer? Machine learning kan daarentegen leren op basis van het werkelijke gedrag van de apparatuur in de praktijk onder alle omstandigheden, inclusief seizoensvariaties, verschillende bedrijfscampagnes, opstarten/uitschakelen en veranderende werkcycli. Het kan ook rekening houden met het verslechterende proces en de mechanische prestaties. ​

Machine learning ontgint de proces- en activagegevens voor vroegtijdige waarschuwing. Het doet het zware werk om de patronen in het proces te vinden die toekomstige activaproblemen signaleren. Door het procesgedrag te identificeren dat de oorzaak van degradatie is, worden problemen veel eerder geïdentificeerd.

Met deze aanpak werken risicoanalyse en machine learning samen om het falen van activa weken of maanden van tevoren continu en nauwkeurig te voorspellen. Dit kan tijd geven om te plannen, te coördineren en actie te ondernemen in plaats van alleen maar te reageren. In deze tijd kunnen onderhoud en productie op nieuwe manieren samenwerken.

Toepassingen voor machinaal leren bouwen geen modellen in de traditionele zin van warmte/materiaalbalans en thermodynamische polytrope vergelijkingen, logica en regels, en statistische interpretatie. Ze meten storingssignaturen in plaats van machines te modelleren.

Toegepast met vaardigheid en domeinkennis, absorbeert machine learning harde, gemeten sensor- en onderhoudsgegevens die over lange perioden zijn verzameld om minuscule, multivariate en tijdelijke patronen te identificeren die mensen niet kunnen zien.

Ontdekte patronen zijn de exacte kenmerken die zowel normaal gedrag definiëren als de excursies die leiden tot degradatie en falen. Omwille van de conformiteit kunnen we deze handtekeningen modellen noemen, maar ze zijn conceptueel ver verwijderd van de ideeën van technische of wiskundige modellen.

Kenmerken van falen die zijn ontwikkeld met machine learning, kennen het type machine niet, de industrie waarin het wordt gebruikt of de technische principes achter de werking ervan. Handtekeningen zorgen er alleen voor dat er voldoende sensoren zijn die voldoende gegevens leveren die leerbare relaties tussen de sensoren bevatten om het bedrijfsgedrag van het activum nauwkeurig te verklaren door middel van normale omstandigheden en degradatie/storingen.

Zelfs een bibliotheek van 125 modellen kan de honderdduizenden unieke assets die bescherming nodig hebben niet benaderen. Machine learning kan echter snel patronen beoordelen en implementeren op activa die het in uren of minuten nog nooit eerder heeft gezien, zonder intensieve technische vaardigheden. Een best-in-class aanpak kan dit doen zonder datawetenschapsvaardigheden, automatisch in-line en in realtime worden uitgevoerd en binnen enkele seconden bruikbare resultaten presenteren.

Als u nog steeds uitsluitend vertrouwt op eerste-principes-modellen, is het tijd om te moderniseren. Het gebruik van een combinatie van modellen en machine learning is de krachtigste manier om risicovolle procesomstandigheden te detecteren en te vermijden. Deze combinatie kan de expliciete voorwaarden op elk moment verklaren met behulp van het model, waarbij machine learning het model automatisch kalibreert en verfijnen zonder veel menselijke begeleiding of programmeerregels.

Het is het beste van twee werelden:tijdige, nauwkeurige processtatus en eenvoudigere kalibratie. Het geeft uw onderhouds- en operationele teams ook het inzicht dat nodig is om samen te werken voor de best mogelijke prestaties.

Lees meer:​​Algehele effectiviteit van apparatuur

Over de auteur

Michael Brooks is een senior adviesadviseur in asset performance management voor AspenTech.