Risico's van industriële installaties beperken door geavanceerd gegevensbeheer

Het falen van activa is een ontwrichtende gebeurtenis voor elke industriële organisatie. Volgens LNS Research zijn defecten aan bedrijfsmiddelen een van de drie belangrijkste oorzaken van ongevallen die uitmonden in veiligheidsproblemen en vervuiling. Ze leggen ook de productie stil en veroorzaken schade aan apparatuur, wat tot aanzienlijke financiële verliezen leidt. In feite kost ongeplande stilstand de industriële fabrikanten elk jaar naar schatting $50 miljard.

Organisaties staan onder druk om de efficiëntie te verhogen en het verbruik terug te dringen, en betrouwbaarheidsmanagers en leidinggevenden moeten verantwoording afleggen over elk onderdeel dat een rol speelt bij de bedrijfsvoering van een fabriek – van de kleinste klep tot de grootste turbine.

Hoewel software analyses kan uitvoeren en basisprestatiestatistieken kan genereren, is de wetenschap dat een goed beschermde turbine van $ 10 miljoen 98% betrouwbaar is, niet nuttig als het een kleine klep is die defect raakt en de hele fabriek afsluit.

Drie belangrijke oorzaken van machinedegradatie zijn:

1. Alle machines worden geconfronteerd met meerdere bronnen van degradatie.
2. Dit omvat chemicaliën, vermoeidheid, slijtage en wrijving.
3. De snelheid van deze degradatiemechanismen varieert afhankelijk van het machineontwerp, het gebruik en de omgeving.
4. Machines zijn complex en bestaan uit verschillende componenten, en de verschillende bronnen van degradatie beïnvloeden deze componenten in verschillende mate.

Het vroege traject:van preventief naar proactief

Preventief onderhoud (PM) is ontstaan om degradatie op te sporen en te voorkomen voordat er een storing optreedt. De complexiteit en interactie van de drie belangrijkste oorzaken van degradatie bemoeilijkten echter de beslissing wanneer en waar in te grijpen. In plaats van PM-schema's op te stellen op basis van onderbouwde aannames, werd op tijd gebaseerd PM de beste optie, en al snel werd dit gevolgd door conditiegebaseerd onderhoud.

Er zijn verschillende technologieën voor voorspellend onderhoud (PdM) ontwikkeld, zoals:

• Trillingsanalyse voor roterende apparatuur.
• Thermografie voor elektrische systemen.
• Echografie voor leiding- en vatdikte.

De naam ‘voorspellend onderhoud’ is echter een beetje een verkeerde benaming. Deze technologieën voorspellen geen mislukking; ze detecteren en onthullen tekenen van achteruitgang, zodat onderhoudsteams deze kunnen onderscheppen voordat er een storing optreedt. Deze methoden richten zich op verschillende faalwijzen en zijn opgebouwd rond sensortechnologieën die deze detecteren en kritische gegevens produceren.

Zonder data-inzichten uit verbonden sensortechnologie hebben exploitanten van installaties onvoldoende inzicht in de risico's van de organisatie en hoe deze te beheersen. De gegevens die nodig zijn om beslissingen te nemen, kunnen beperkt zijn tot een specifiek bezit of een specifieke faciliteit. Maar de gegevens worden nuttig wanneer ze over het hele bedrijf en de mondiale gemiddelden worden vergeleken, wat een concurrentievoordeel oplevert voor bedrijven die de risico's begrijpen en weten hoe ze deze moeten beheersen.

Gegevens en nieuwe intelligentie omarmen

Met de adoptie van dataproducerende sensoren implementeren organisaties managementsystemen om enorme hoeveelheden data te interpreteren en geavanceerde patroonherkenningstaken uit te voeren om afwijkingen en degradatie van apparatuur te detecteren.

Detectietechnieken voor managementsystemen zijn praktisch; ze analyseren sensorgegevens en bouwen een model van een ‘normale’ operatie en waarschuwen wanneer zich abnormale omstandigheden voordoen. Dit gebeurt in realtime en kan subtiele variaties detecteren die worden veroorzaakt door verslechtering. Met deze technologieën zien organisaties een rendement op hun investering doordat catastrofale storingen in bewaakte apparatuur aanzienlijk worden verminderd.

Wist je dat?

"Het benutten van big data-analyses kan het aantal storingen met wel 26% verminderen en de ongeplande downtime met bijna 25% verminderen."
Bron:engineering.com

Technologie heeft ook de datamining getransformeerd om inzichten uit gearchiveerde sensorgegevens en enterprise asset management-systeemgegevens te optimaliseren om te helpen bij de uitvoering van werkzaamheden. Het combineren van datamining met anomaliedetectie verbetert de real-time diagnostiek en de tijd-tot-failure-voorspellingen. Dit is waar asset performance management (APM)-systemen een rol gaan spelen.

De meeste technieken voor machine learning (ML) en kunstmatige intelligentie (AI) zijn datagestuurd, maar zijn niet ontworpen voor uitgebreide data-analyse; APM codeert de gegevens die ML en AI niet kunnen door een ML-gegevensintegratiefunctie te gebruiken om miljarden datapunten te verzamelen en deze snel te organiseren in modellen die risico's meten en fouten voorkomen.

In de hedendaagse industrie erkennen organisaties dat verbonden assets informatie in een APM-systeem moeten invoeren om de verzamelde gegevens op de juiste manier te kunnen gebruiken. Een groot chemisch bedrijf in Saoedi-Arabië heeft bijvoorbeeld een APM-systeem geïmplementeerd en het gemiddelde uitvalpercentage van hun leidingen verbeterd van 172 dagen naar meer dan 2.100 dagen, wat een verbetering van 1.135% betekent.

Gegevens delen voor betere voorspellingen

Voor organisaties met end-to-end IoT (Internet of Things)-omgevingen kan big data-analyse zich niet concentreren op slechts een paar gegevensbronnen. Met APM kunnen organisaties datasilo's combineren en de unieke aard van industriële assets binnen hun operationele context modelleren.

Dit is een gebied waar er aanzienlijke verschillen bestaan tussen de industriële en de consumentensector. In de industriële wereld kunnen storingen zeer uiteenlopend zijn. Omdat er momenteel geen industrieel equivalent van Google of Amazon bestaat om machinegegevens uit verschillende ondernemingen te combineren, zijn de datapools die nodig zijn om dit soort analyses te ontwikkelen beperkt tot grote ondernemingen en Original Equipment Manufacturers (OEM). Hoewel bedrijven gevoelig zijn voor hun operationele gegevens, beginnen velen te begrijpen dat het delen van hun fout- en storingsgegevens met anderen uiterst gunstig is voor de hele sector.

Met deze datapool heeft de volgende golf van data-analyse een enorm potentieel. Door deze gegevens te analyseren kunnen opkomende foutpatronen worden gematcht en vergeleken met historische gegevens uit een ‘bibliotheek’ van eerdere soortgelijke gevallen. Hiermee kan geautomatiseerde diagnostiek een beschrijving van het probleem en een voorspelling geven van de mogelijke tijd tot falen.

Zelfs voor apparatuur die niet is uitgerust met sensoren ondersteunen grotere datapools betere statistische analyses op basis van apparatuur in vergelijkbare bedrijfsomstandigheden. Hierdoor kunnen ingenieurs en operators beter geïnformeerde beslissingen nemen bij het opstellen van een onderhoudsstrategie, omdat ze het werkelijke uitvalpercentage van componenten begrijpen. De huidige technologie is doorgaans afhankelijk van OEM-aanbevelingen of sectorstudies die vaak jaren geleden zijn uitgevoerd.

Conclusie

Voor veel bedrijven is de ontwikkeling van onderhoudsstrategieën een subjectief, ervaringsgedreven proces. De gegevens om objectieve beslissingen te nemen zijn vaak schaars, bestaan ​​niet of zijn moeilijk toegankelijk. De overstap naar op condities gebaseerde benaderingen lost een groot deel van dit probleem op door activiteiten te baseren op de huidige toestand van een asset, maar zelfs deze technieken vereisen nog steeds aanzienlijke expertise en laten ruimte voor verbetering.

Het potentieel voor het toepassen van geavanceerde data-analyse op machinebewerkingen is veelbelovend, maar er zijn nog steeds uitdagingen. Het is van cruciaal belang om toegang te hebben tot de juiste soort gegevens, en voor veel bedrijven kan dit betekenen dat ze bereid zijn gegevens te delen en te verhandelen met andere bedrijven. Naarmate bedrijven informatie gaan delen en hun activiteiten gaan verbeteren, zullen ze zich realiseren dat de voordelen zwaarder wegen dan de zorgen van het helpen van concurrenten. 

Organisaties begrijpen dat de directe kosten van downtime schadelijk zijn voor het bedrijf. In veel gevallen zijn de indirecte kosten van deze downtime, zoals een beschadigde reputatie, evenzeer, zo niet disruptiever dan de directe kosten. Industriële exploitanten moeten een big data-strategie omarmen die het beste resultaat voor hun activa oplevert als ze de winstgevendheid en groei willen behouden. Door met behulp van gegevens vroegtijdig trends en kenmerken van storingen te identificeren, kunnen industriële organisaties de algehele betrouwbaarheid van hun bedrijfsmiddelen verbeteren en kosten besparen, zowel op de korte als op de lange termijn.