Industriële plantrisico's mitigeren door geavanceerd databeheer

Activafout is een storende gebeurtenis voor elke industriële organisatie. Volgens LNS Research zijn activafouten een van de top drie oorzaken van ongevallen die leiden tot veiligheidsproblemen en vervuiling. Ze stoppen ook de productie en veroorzaken apparatuurschade, wat resulteert in significante financiële verliezen. Feitelijk kost ongeplande downtime industriële fabrikanten elk jaar geschat 50 miljard dollar.

Organisaties staan onder druk om de efficiëntie te verhogen en het verbruik te verminderen, en betrouwbaarheidsmanagers en directeuren moeten rekening houden met elk activum dat een rol speelt in de plantoperaties – van de kleinste kraan tot de grootste turbine.

Terwijl software analyses kan uitvoeren en basale prestatiemetric kan genereren, is de kennis dat een goed beschermde turbine van 10 miljoen dollar 98% betrouwbaar is, niet nuttig wanneer een kleine kraan faalt en de hele plant stillegt.

Drie belangrijke drijvers van machinedegradatie zijn:

1. Alle machines staan te maken met meerdere bronnen van degradatie.
2. Dit omvat chemicaliën, vermoeiding, slijtage en wrijving.
3. De snelheid van deze degradatiemechanismen varieert afhankelijk van machine-ontwerp, gebruik en omgeving.
4. Machines zijn complex, bestehend uit verschillende componenten, en de verschillende bronnen van degradatie beïnvloeden die componenten met verschillende snelheden.

De vroege reis: van preventief naar proactief

Preventief onderhoud (PM) ontstond om degradatie te detecteren en te voorkomen voordat er fouten optraden. De complexiteit en interactie van de drie sleuteldrijvers van degradatie bemoeilijkte echter de beslissing wanneer en waar men moet interveniëren. In plaats van PM-schema's te baseren op weloverwogen aannames, werd time-based PM de beste optie, gevolgd kort daarna door condition-based maintenance.

Verschillende predictive maintenance (PdM)-technologieën zijn ontwikkeld, zoals:

• Trillinganalyse voor rotatieapparatuur.
• Thermografie voor elektrische systemen.
• Ultrasone metingen voor leidingen en vatenwanddikte.

De naam "predictive maintenance" is echter een beetje een misnoemer. Deze technologieën voorspellen geen fouten; ze detecteren en onthullen tekenen van verslechtering zodat onderhoudsteams ze kunnen onderscheppen voordat er een fout optreedt. Deze methoden richten zich op verschillende foutmodi en zijn opgebouwd rond sensortechnologieën die ze detecteren en kritieke data produceren.

Zonder datainzichten van verbonden sensortechnologie hebben plantoperators een onvoldoende begrip van de risico's van de organisatie en hoe ze te managen. De data die nodig is voor beslissingen kan beperkt zijn tot een specifiek activum of faciliteit. Maar de data wordt nuttig wanneer deze vergeleken wordt over het hele bedrijf en wereldwijde gemiddelden, wat een concurrentievoordeel biedt voor bedrijven die de risico's begrijpen en weten hoe ze te controleren.

Data en nieuwe intelligentie omarmen

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

Detectietechnieken van managementsystemen zijn praktisch; ze analyseren sensordata en bouwen een model van een "normale" operatie en waarschuwen wanneer afwijkende condities optreden. Dit gebeurt in realtime en kan subtiele variaties detecteren die door verslechtering worden veroorzaakt. Met deze technologieën zien organisaties een return on investment door catastrofale fouten op gemonitoreerde apparatuur aanzienlijk te verminderen.

Wist u dat?

"Het benutten van big data analytics kan storingen met maximaal 26% verminderen en ongeplande downtime met bijna 25% verkleinen."
Bron: engineering.com

Technologie heeft ook data mining getransformeerd om inzichten te optimaliseren uit gearchiveerde sensordata en enterprise asset management-systeemdata om te helpen bij werkuitvoering. Het combineren van data mining met anomaliedetectie verbetert realtime diagnostiek en time-to-failure-voorspellingen. Hier komen asset performance management (APM)-systemen in beeld.

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

In de huidige industrie beseffen organisaties dat verbonden activa informatie moeten voeden in een APM-systeem om de verzamelde data op de juiste manier te benutten. Een groot chemisch bedrijf in Saoedi-Arabië implementeerde bijvoorbeeld een APM-systeem en verbeterde de gemiddelde foutfrequentie van hun buizen van 172 dagen naar meer dan 2.100 dagen, wat een verbetering van 1.135% betekent.

Data delen voor betere prognostiek

Voor organisaties met end-to-end IoT-omgevingen (Internet of Things) kan big data analytics zich niet richten op slechts een paar databronnen. APM stelt organisaties in staat om data silos te combineren en de unieke aard van industriële activa binnen hun operationele context te modelleren.

Dit is een gebied waar er significante verschillen zijn tussen de industriële en consumentensector. In de industriële wereld kunnen fouten uiteenlopend zijn. Omdat er momenteel geen industriële equivalent is van Google of Amazon om machinedata over ondernemingen te combineren, zijn de datapools die nodig zijn om dit soort analyses te ontwikkelen, beperkt tot grote ondernemingen en original equipment manufacturers (OEM's). Hoewel bedrijven gevoelig zijn over hun operationele data, beginnen veel te begrijpen dat het delen van hun fout- en storingdata met anderen extreem voordelig is voor de hele industrie.

Met deze pool van data heeft de volgende golf van data-analyse enorm potentieel. Door deze data te analyseren, kunnen opkomende foutpatronen worden gematcht en vergeleken met historische data uit een "bibliotheek" van eerdere gelijkaardige gevallen. Hiermee kan geautomatiseerde diagnostiek een beschrijving van het probleem en een voorspelling van de potentiële time-to-failure geven.

Zelfs voor apparatuur die niet uitgerust is met sensoren, ondersteunen grotere datapools betere statistische analyse gebaseerd op apparatuur in vergelijkbare operationele omstandigheden. Dit stelt ingenieurs en operators in staat om meer geïnformeerde beslissingen te nemen bij het vastleggen van een onderhoudsstrategie, omdat ze de echte componentfoutfrequentie begrijpen. Huidige technologie steunt meestal op OEM-aanbevelingen of industriestudies die vaak jaren geleden werden uitgevoerd.

Conclusie

Voor veel bedrijven is de ontwikkeling van een onderhoudsstrategie een subjectief, ervaringsgedreven proces. De data om objectieve beslissingen te nemen is vaak schaars, bestaat niet of is moeilijk toegankelijk. Het overstappen op condition-based benaderingen lost een groot deel van dit probleem op door activiteiten te baseren op de huidige toestand van een activum, maar zelfs deze technieken vereisen nog steeds significante expertise en laten ruimte voor verbetering.

De potentie voor het toepassen van geavanceerde data-analyse op machine-operaties is veelbelovend, maar er zijn nog steeds uitdagingen. Het is cruciaal om toegang te hebben tot het juiste type data, en voor veel bedrijven kan dit betekenen dat ze bereid moeten zijn om data met andere bedrijven te delen en te ruilen. Naarmate bedrijven beginnen informatie te delen en operaties te verbeteren, zullen ze beseffen dat de voordelen wegen tegenover de zorgen over 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, even storend, zo niet meer, dan de directe kosten. Industriële operators moeten een big data-strategie omarmen die het beste resultaat voor hun activa biedt als ze winstgevendheid en groei willen handhaven. Door fouttrends en -kenmerken vroegtijdig te identificeren met data, verbeteren industriële organisaties de algehele activabetrouwbaarheid en verlagen ze de kosten, zowel op korte als lange termijn.