Предиктивная диагностика что это

Предиктивная диагностика что это

Исторически обслуживание оборудования проводилось на основании стратегии «до отказа». В 1920-1930х гг. были разработаны стратегии и подходы ППР (планово-предупредительных ремонтов) оборудования. В 1970-80х гг., с развитием технологий, появились стратегии мониторинга состояния оборудования. Именно эти три стратегии в разных сочетаниях используются в настоящее время на подавляющем большинстве предприятий для оборудования любого типа.

С дальнейшем развитием технологии и удешевлением датчиков измерения параметров оборудования возникла ситуация, когда с оборудования снимается множество самых разных параметров и эта информация хранится годами. Однако для ремонта оборудования эта информация не используется вовсе, а для управления технологическими процессами используется не более 10% контролируемых значений. Кроме того, существующие системы АСУ ТП обеспечивают контроль показателей в очень широких диапазонах и без учета взаимосвязей (корреляции) параметров.

Все эти причины привели к появлению систем предиктивной/прогнозной диагностики или предиктивной аналитики, которые позволяют построить модель работы оборудования (набор взаимосвязанных параметров), обучить эту модель на исторических данных, соответствующих нормальным режимам работы, а затем использовать модель в реальном времени для раннего предсказания отказов оборудования. Новая технология позволяет совершить переход с реактивного и календарного подходов к проактивному (т.е. распознавание отказов и их предотвращение).

Подобные системы обеспечивают значительный эффект:

Повышение готовности оборудования за счет сокращения времени ремонта при одновременном снижении общих ремонтных затрат за счет качественного и своевременного планирования ремонтных работ;

Исключение отказов (т.е. объем выполняемых работ также уменьшается);

Возможность гибкого управления рисками и потерями производства за счет расширения горизонта планирования при принятии решений.

Компания Мейнтекс осуществляет весь комплекс работ, связанных с внедрением технологии предиктивной аналитики на производстве. Совместно со специалистами по надежности заказчика мы проводим анализ критичности оборудования и выявляем наиболее важные и рискованные для производства активы. Далее проводится анализ и подготовка исторических данных. На основе подготовленной информации строятся и обучаются модели, создаются диагностические правила. Наши консультанты выполняют сопровождение созданных моделей после подключения их к реальным данным, участвуют в анализах обнаруживаемых системой проблем и готовят отчеты по результатам работы системы предиктивной диагностики. Мы не используем “стандартные шаблоны”, мы анализируем каждую единицу отдельно, что позволяет заказчику получать достоверные данные и реагировать на малейшие изменения в работе оборудования

Мы предлагаем нашим заказчикам решения от признанных лидеров отрасли – Aveva PRiSM Predictive Asset Analytics и GE Smart Signal.

Источник

Предиктивная диагностика что это

В чём заключаются главные задачи современных систем предиктивной диагностики?

Последние десятилетия были отмечены достаточно бурным ростом количества предлагаемых систем диагностики. Причём, если изначально этом могли быть системы ориентированные на контроль изменения какого-то одного параметра, даже без глубоких диагностических возможностей, то со временем совершенствовались и углублялись как методы диагностики, так и вопросы и проблемы, встающие перед разработчиками таких систем. Уже достаточно давно мы ушли от контроля общего уровня различных параметров – для повышения достоверности диагностики применяется множество различных приёмов, будь то спектральный анализ, статистический, анализ форм. Многие разработчики предлагают программы для автоматизации диагностики. Однако, помимо непосредственно определения дефектов, важной задачей становится предсказание развития найденных дефектов, расчёт ресурса и, в конечном итоге, возможность формирования гибкой стратегии ТОиР, с одной стороны ориентированной на обеспечение бесперебойного надежного функционирования оборудования, с другой – отвечающей политике предприятия в области оптимизации расходов и снижения затрат.

Расскажите об общих принципах работы систем, необходимых компонентах.

Доступные сейчас системы можно в целом разделить на 2 группы: программные комплексы и программно-аппаратные комплексы. В первом случае мы имеем дело с программным обеспечением, которое может выступать некоей надстройкой для существующих измерительных устройств. Эти программы, как правило, предоставляют широчайший инструментарий для работы с сигналами вибрации, также позволяют подгружать сигналы иной природы, в том числе полученные с помощью переносных приборов, формировать отчёты, использовать предустановленные алгоритмы автоматизированной диагностики или формировать собственные. Программно-аппаратные комплексы, при схожем функционале софтверной части, обеспечивают также непосредственное проведение измерений, т.е. в комплект входят измерительные датчики, устройства обработки сигналов и непосредственно софт.

На рынке представлено не мало систем, разработчики которых декларируют предиктивный функционал и использование современных методов обработки данных. В чём Вы идите достоинства и недостатки этих систем? Какие отличия предлагаете в своей системе?

Подавляющее большинство систем ориентировано на использование предварительно сформированных диагностических и прогностических алгоритмов. Они могут быть получены разными методами (экспертная оценка, моделирование, конструкторские расчеты), но в любом случае предполагают некую универсальность – т.е. одни и те же критерии, алгоритмы применяются, например, для одинаковых насосов, работающих в кардинально разных условиях. При этом очевидно, что двух абсолютно одинаковых агрегатов быть не может – отличия материалов, нюансы сборки, разница в исполнении опорных конструкций, режимы работы, соседние агрегаты – всё оказывает влияние на эталонные характеристики. При этому, в случае использования технологий машинного обучения, очевидно, что, по крайней мере на первом этапе, чем больше различных параметров мы используем для анализа – тем более точным можем быть результат. Ряд дефектов и особенностей агрегатов может никак себя не проявлять в вибрационном сигнале – и системы, предназначенные прежде всего для анализа вибрации (а таких большинство), будут в этих случаях бесполезны. Мы же в своих разработках основываемся прежде всего на комплексной оценке конструкции агрегата, режимов и условий его работы, опыта эксплуатации. Изначально заложенные возможности анализа и расчёта любых сигналов, эксплуатационных параметров, возможность формирования новых собственных параметров – всё это даёт преимущество как в точности диагностики, определения дефектов на первых стадиях развития, так и в точности прогнозирования остаточного ресурса.

Какие преимущества даёт Цифровой Двойник?

Цифровой двойник позволяет нам оперировать всеми параметрами, связанными с работой агрегата. Здесь вибрационные, токовые, температурные характеристики, любые эксплуатационные параметры. Любое выявленное отклонение от оптимальных режимов и характеристик может стать важным диагностическим критерием. При этом появляется возможность использовать виртуальные датчики там, где нет возможности использовать датчики реальные. Не менее важным преимуществом Цифровых двойников является возможность отработки сценария «Что если?», который позволяет обеспечивать безопасность эксплуатации агрегатов во всех штатных и нештатных режимах.

Что требуется от Заказчика для внедрения системы в работу?

КАДФЕМ Диджитал не просто разрабатывает программный продукт, а может предложить решение любого уровня: от программно-аппаратного комплекса для периодической комплексной диагностики до масштабных решений на базе Комплексных Цифровых Двойников. Наши решения предназначены для предприятий любого масштаба и оборудования любого уровня сложности. При отсутствии необходимости непрерывного мониторинга, предлагаемый нами программно-аппаратный комплекс может использоваться в качестве полустационарной системы и эксплуатироваться как опытной диагностической службой, так и специалистами без глубокой подготовки, обеспечивая при этом своевременное обнаружение дефектов и расчёт остаточного ресурса, выдачу рекомендаций специалистам службы эксплуатации. В случае реализации масштабных автоматических систем предиктивной диагностики, Комплексных Цифровых Двойников, наши программно-аппаратные комплексы являются ключевыми инструментами обеспечения точности и надёжности Цифровых Двойников, а сама система может быть интегрирована в АСУТП предприятия. Таким образом, прежде всего заказчику необходимо определиться с имеющимися задачами, помощь в этом могут оказать специалисты нашей компании.

Какой принцип работы системы предиктивной диагностики и что это дает его пользователю? Чем ваша система лучше хорошо известных классических систем?

Система является диагностическим комплексом лабораторного уровня, его работа основана на использовании промышленных устройств обработки данных, что даёт возможность получать и обрабатывать сигналы любой природы. Использование комплекса параметров, широкие возможности обработки сигналов (получение спектров, форм, огибающих), возможность использования различных датчиков, формирования собственных пользовательских параметров значительно повышают оперативность и достоверность диагностики, алгоритмы машинного обучения обеспечивают точность расчёта остаточного ресурса. Главное преимущество нашей системы – возможность автоматического формирования предиктивных алгоритмов для каждого конкретного агрегата.

Сколько комплексов системы будет нужно сделать для группы однотипных промышленных изделий?

Модульная структура номинально позволяет довести количество каналов одного головного устройства до 64. Таким образом, использование нескольких комплексов позволяет построить диагностическую предиктивную систему для всего предприятия любого масштаба.

Как вы можете гарантировать правильность информации, которую дает система?

Использование поверенных датчиков, регулярная калибровка измерительных и вычислительных компонентов. Своевременная актуализация состояния диагностируемых агрегатов, синхронизация состояний позволяют верифицировать и при необходимости уточнять применяемые методики.

Почему при демонстрации ресурс подшипника (двигателя) быстро изменяется при изменении частоты вращения и продолжает уменьшаться, хотя мы ничего не меняем?

В данном случае демонстрируется, как на ресурс подшипника качения влияют частота вращения и температура. Вполне очевидно, что увеличение частоты и температуры относительно нормального режима работы приводит к уменьшению ресурса. Т.к. температура подшипника возрастает относительно медленно, то для демонстрационных целей в модели скорость роста температуры была специально увеличена. Как можно видеть, температура в модели уже практически стабилизировалась и изменение ресурса прекратилось. К слову сказать, расчёт проводится по стандарту ISO 281 для которого есть аналогичный гост ГОСТ 18855-2013. По данному стандарту на ресурс влияют не только температура и частота, но, например, и загрязнение смазки. Но в условиях выставки/демонстрации мы это не показываем, хотя и учитываем.

Почему ресурс восстанавливается после возвращения двигателя к нормальным условиям работы?

В нашем случае вы видите, каким будет ресурс при текущем режиме работы. Меняя режим работы, мы увеличиваем или уменьшаем скорость износа. Если бы наш демонстратор проработал с повышенной нагрузкой хотя бы день, вы бы увидели, что ресурс не вернулся на начальный уровень. Но т.к. прошло всего несколько минут, реальный износ подшипника за это время просто физически не успел отразиться на ресурсе и вернулся к прежнему значению.

В примере Ansys остаточный ресурс нормирован по номинальному режиму работы. Т.е. вы видите сколько оборудование проработает, если его вернуть в этот номинальный режим, а не то сколько оно проработает при сохранении фактического режима. Т.к. наша практика показывает, что заказчиков больше интересует фактический режим работы, а не некий номинальный, мы показываем то, что показываем. Справедливости ради, можно сказать, что иногда возникает задача нормировать остаточный ресурс по нескольким режимам нагрузки. Это не представляет никакой технической сложности и мы это тоже делаем.

Для чего в двойнике используются расчётные методы оценки ресурса (параметров надежности и т.п.)?

Методы расчёта показателей надежности, основанные на теории надежности и статистике отказов не предназначены для определения точного момента выхода из строя конкретного экземпляра оборудования. Наработка на отказ рассчитывается по пороговому значению вероятности отказа. Наиболее часто используется вероятность отказа 10%, хотя порог может быть и другим. Физически это означает, что к рассчитанному моменту времени из 100 работающих изделий 10 выходят из строя. Кривая интенсивности отказов имеет U-образную форму, с практически горизонтальным отрезком в средней части, когда интенсивность отказа постоянна. После этого участка интенсивность отказов начинает возрастать, т.е. после отказа некоторой части изделий, не сильно превышающей 10%, следующие начинают отказывать все быстрее и быстрее. Поэтому экономически может быть выгодно заменить или отремонтировать изделия при ближайшем техническом обслуживании (ТО) от выработки ресурса, хотя физически они еще не отказали. Если же используется стратегия эксплуатации до отказа, информация о расчётной наработке на отказ/остаточном ресурсе помогает правильно планировать складские запасы.

Даже в случаях, когда качество изделий, ремонта или ТО очень низкое и расчетная наработка на отказ неприменима, ее все равно надо использовать, чтобы явно указать на существующие проблемы с обеспечением надежности при эксплуатации.

Почему ваш цифровой двойник не такой, каким он должен быть? (нет BIM-модели, не основан на ГОСТ Р 58301—2018, не использует самообучающиеся модели и т.п.)?

Когда мы говорим про Электронный (Цифровой) макет изделия или Информационную модель строительного объекта, мы в первую очередь имеем в виду электронное описание его структуры в различных его представлениях (со связанной документацией и расчетами), проведенную по жизненному циклу и рабочим процессам до состояния выпуска и архива КТД или ПСД. Эти данные живут в специальных смежных информационных системах PLM, BIM CDE. Цифровой двойник (ЦД) изделия или актива – понятие собирательное, безусловно использующее данные перечисленных систем, но не только. Цифровой двойник начинается с понятия цифровой тени, то есть технологических потоковых данных полевого уровня, которые, как правило, накапливаются в системах АСУТП, АСДУ и др., либо идут напрямую с КИПиА. Когда речь идет о сценариях работы ЦД, очень часто требуются данные из ERP, MES, MRO-систем. Например, для получения кодов ТМЦ для заказа комплектующих, последовательности выполнения работ в производственных заданиях, справочные данные НСИ. Именно поэтому наиболее подходящим место хранения и агрегирования данных по активам, объектам должна быть отдельная информационная система, к-я кроме того, что содержит различные модели цифровых двойников (их может быть несколько и на основе разных технологий) еще и умеет обмениваться необходимой информацией со всеми перечисленными ИТ/ОТ-системами. Именно по вышеуказанным причинам мы в КАДФЕМ Диджитал используем в качестве такой системы решения на базе платформы промышленного интернета вещей, как наиболее подходящее место для агрегирования данных ЦД, взаимодействия со смежными системами. Кроме того, в мире создаются особые системы (пока единично) – платформы цифровых двойников, для тех же самых целей и с тем же набором функций.

Добавлю также, что имеет место начало разработки и использования ЦД и на инжиниринговых этапах жизненного цикла изделия ЭТП, РКД и Испытаний, когда цифровые двойники используются в сценарии «что, если» для проверки характеристик и определения оптимальных режимов работы. В этом случае используется термин Виртуальный двойник изделия/актива, когда нет связи с физическим объектом.

Все выше сказанное получило в КАДФЕМ Диджитал название – Комплексный цифровой двойник изделия/актива.

Как реализуются диагностика фактического состояния и прогнозирование остаточного ресурса конкретного агрегата? В чём отличие от расчётного (номинального) ресурса?

Фактическое техническое состояние отдельных узлов и агрегата в целом обусловлено наличием и степенью развития дефектов, которые могут быть вызваны естественным износом (выработки, повышенные зазоры, люфты, ослабления), нарушениями в процессе наладки, монтажа, регулировки (расцентровки, дисбалансы, перекосы), неправильными условиями эксплуатации (резонансные разрушения, повышенный износ из-за недостатка/низкого качества смазочных материалов), «врождёнными» дефектами отдельных комплектующих (некачественные подшипники, дефекты материалов) и т.п. Все эти дефекты могут быть выявлены в процессе эксплуатации агрегата методами неразрушающего контроля: анализ вибраций, температур, пусковых токов, токовых спектров, а также любых доступных для контроля эксплуатационных параметров. Чем большее количество показательных параметров можем использовать – тем более детальной и точной может быть диагностика. В этой связи использование принципов комплексной диагностики в составе Цифрового Двойника видится большим шагом вперёд, т.к. даёт возможность контролировать весь спектр эксплуатационных параметров, а также моделировать картину проявления дефектов, что ещё повышает достоверность диагностики.

На основе накопленных данных оценивается изменение всех доступных параметров как в абсолютном измерении, так и относительно друг друга, создаются математические модели развития дефектов. Применяя технологии анализа больших данных и различные алгоритмы машинного обучения мы получаем возможность построить прогностическую систему, способную не только определять текущее состояние агрегата, но и прогнозировать период развития дефектов вплоть до разрушения. Это, в свою очередь, даёт возможность сформировать оптимальную для агрегата стратегию обслуживания в зависимости от целей и стратегии эксплуатирующего предприятия.

Дефекты, вызванные некачественным монтажом или использованием дефектных комплектующих, естественно, не предусматриваются при проведении конструкторских расчётов – таким образом, мы имеем дело с разными видами ресурса.

Источник

Контроль и мониторинг промышленного оборудования с использованием платформы MindSphere компании Siemens

Статья посвящена обзору возможностей мониторинга, контроля и предиктивной диагностики промышленного оборудования с помощью открытой платформы интернета вещей (IoT) MindSphere компании Siemens и приложений для этой платформы.

ООО «Сименс», г. Москва

Поддержание конкурентоспособности в современном производстве требует от компаний не только выпуска продукции самого высокого качества, но и максимизации операционной эффективности в глобальных цепочках создания стоимости.

Одним из основных факторов, оказывающих давление на рентабельность в различных отраслях промышленности, являются незапланированные простои и отказы оборудования, ведущие к остановке критических сегментов производства. Чаще всего эти проблемы связаны с отсутствием прозрачности в производительности и режимах работы машин и станков, которые не позволяют прогнозировать и предотвращать сбои систем. Согласно последним исследованиям, только 5 % всех доступных промышленных данных используются предприятиями для повышения операционной эффективности (рис. 1).

Рис. 1. Предприятия используют менее 5 % доступных данных. Решения принимаются реактивно, а не проактивно

Одним из способов, которым компании могут минимизировать риск незапланированных простоев и связанных с ними убытков, является мониторинг и предиктивная диагностика состояния оборудования. Мониторинг производства включает сбор данных о параметрах работы оборудования, аварийных сигналах, расчет ключевых показателей эффективности (KPI), поиск аномалий в отношении заданных диапазонов управления, обеспечение прозрачности данных, контроль эффективности и информирование о необходимости проверки оборудования. Мониторинг требует точных и непрерывных входных данных из самых разных датчиков и параметров в режиме реального времени.

Данные реального времени в комбинации с цифровыми двойниками (моделями работы оборудования) позволяют не только своевременно информировать оператора о сбоях или отклонениях параметров производства, но и предупреждать эти события до того, как они произойдут, тем самым предотвращая аварийные ситуации. Предиктивное обслуживание позволяет компаниям идентифицировать сигналы, такие как внезапные всплес­ки или необычное сочетание параметров, пусть даже в пределах нормальных рабочих диапазонов, чтобы предсказать, для какого оборудования требуется техническое обслуживание. Это позволяет компаниям эффективно планировать профилактическое обслуживание и избегать незапланированных простоев.

MindSphere – инструментарий и IoT-платформа для мониторинга

Для создания систем мониторинга и предиктивной диагностики производственного оборудования необходимо решить целый комплекс задач: подключить датчики, настроить системы сбора, передачи и хранения данных, создать модели работы оборудования, разработать алгоритмы анализа данных и прогнозирования, задать пороговые значения параметров и правила реагирования, разработать отчеты и панели отображения данных.

Платформы интернета вещей (IoT), к которым относится MindSphere компании Siemens, предлагают готовые инструменты и решения, позволяющие в короткие сроки создать и запустить в эксплуатацию системы мониторинга и диагностики оборудования с минимальными капитальными затратами.

MindSphere – это операционная система и облачная платформа интернета вещей, позволяющая подключать любые физические устройства и датчики к цифровому информационному пространству. Как операционная система IoT, основанная на облачных технологиях, MindSphere включает специальные приложения и решения для различных отраслей с использованием данных реального времени для мониторинга состояния оборудования. Благодаря применению MindSphere отпадает необходимость создавать и программировать решения IoT «с нуля». Алгоритмы и готовые функции, включенные в платформу, позволяют быстро построить систему мониторинга оборудования и легко ее адаптировать к потребностям компании.

Как показано на рис. 2, платформа MindSphere состоит из трех основных компонентов: собственно облачной платформы, приложений MindApps и инфраструктуры MindConnect для подключения источников и сбора данных.

Рис. 2. Высокоуровневая архитектура платформы MindSphere (увеличить изображение)

Облачная платформа занимает центральное место, обеспечивая все сервисы и интерфейсы, необходимые для работы инфраструктуры MindConnect и слоя приложений MindApps, разрабатываемых партнерами, заказчиками и компаниями концерна Siemens. В платформе MindSphere предусмотрено высокоэффективное хранилище IoT-данных MindStorage.

Программное обеспечение платформы MindSphere основано на решении с открытым исходным кодом Pivotal Cloud Foundry, которое выступает в качестве слоя абстракции от сред виртуализации аппаратных ресурсов (например, VMware vSphere, OpenStack, Microsoft Azure Stack). Таким образом, система позволяет запускать приложения без привязки к конкретному гипервизору облака. «Строительным блоком» платформы служит не виртуальная машина, а контейнер приложения, что значительно упрощает создание приложений для мониторинга. Сегодня платформа MindSphere развернута в облачной инфраструктуре Amazon Web Services. В ближайшее время ожидается версия для гипервизора Microsoft Azure Stack, включая частные и гибридные инсталляции (частное + публичное облако). Все эти возможности позволяют предприятиям не заботиться о масштабировании вычислительных ресурсов и баз больших данных. Благодаря модели PaaS (платформа как услуга) заказчик MindSphere может в любой момент расширить число источников, объем обрабатываемых данных или подключить алгоритмы их интеллектуальной обработки с минимальными инвестициями в инфраструктуру или без нее, оплачивая только подписку на услуги платформы по модели ‘pay as you go’*.

Благодаря комплексному решению MindSphere производственные компании могут сразу же задействовать все преимущества IoT-технологий и снизить время простоев оборудования. Базовый набор услуг MindSphere уже включает готовое приложение Fleet Manager, предоставляющее необходимые инструменты для анализа данных. Дополнительно на платформе доступны различные алгоритмы и прикладные библиотеки с открытыми интерфейсами программирования (API), например анализ сигналов, предсказание трендов, вычисление KPI, выявление аномалий и т. п.

Особое внимание в платформе MindSphere уделяется вопросам безопасности, конфиденциальности и надежности хранения данных. Все данные заказчиков на платформе хранятся в зашифрованном виде. Доступ к ним осуществляется через единый шлюз аутентификации MindSphere Gateway. В момент передачи на платформу данные защищены SSL/TLS-шифрованием с длиной ключа 256 бит. Все решения по обеспечению кибербезопасности, используемые в MindSphere, основаны на международных стандартах ISO 27001, IEC 62443 и других, что обеспечивает высочайший уровень защиты.

Подключение промышленного оборудования

Любой проект мониторинга оборудования с использованием технологий IoT требует подключения датчиков, сбора данных и их передачи на платформу для обработки. Инфраструктура для сбора данных MindConnect предлагает готовые программно-аппаратные решения, которые позволяют быстро подключить к платформе MindSphere различные источники информации по стандартным промышленным протоколам, таким как OPC UA и S7, или встроить программные шлюзы передачи данных в любое вычислительное устройство, обладающее необходимыми ресурсами. Для этого могут быть использованы готовые аппаратные IoT-шлюзы MindConnect Nano и MindConnect IoT2040.

Рис. 3. Аппаратные шлюзы для подключения к MindSphere: MindConnect Nano и IoT2040

Эти устройства позволяют подключать любые промышленные системы, датчики, ЧПУ, контроллеры по стандартным протоколам OPC UA (часть 8 спецификации «Доступ к данным») и Siemens S7 (например, для подключения контроллеров серий S7-3xx / S7-4xx / ET‑200S). Собранные промышленные данные буферизуются устройством, шифруются и передаются через интернет-каналы (протокол HTTPS c шифрованием SSL/TLS) в облачную платформу MindSphere для анализа и обработки. Для подключения шлюза к платформе достаточно внести его уникальный идентификатор, после чего производится его опознавание системой и обмен ключами доступа.

Шлюз MindConnect IoT2040 представляет собой модель начального уровня, эффективную с точки зрения стоимости и простоты установки (монтаж на стандартную DIN-рейку). Шлюз поддерживает чтение данных от 30 источников в секунду, буферизацию данных до 500 Мбайт и передачу данных на платформу каждые 10 секунд. Модель MindConnect Nano более производительная, с поддержкой чтения до 250 источников данных в секунду.

Если предприятию необходимо подключить нестандартные устройства или системы, то может быть использована готовая библиотека с открытым исходным кодом MindConnect Lib, которая позволяет встраивать программные агенты передачи данных в MindSphere практически в любое оборудование, оснащенное микропроцессором и аппаратным интерфейсом сопряжения. Разработанная на стандартном языке программирования ANSI C, библиотека MindConnect Lib не требует значительных аппаратных ресурсов и может быть портирована в любую операционную систему.

Дополнительно для расширения числа протоколов и устройств, подключаемых к MindSphere, могут быть использованы интерфейсы MindConnect IoT Extension, которые поддерживают большое число сторонних программных/аппаратных агентов и спецификаций передачи данных, например MQTT, SmartRest, Modbus RTU, Modbus TCP, CAN-bus, MMC, SPI, I2C, McASP и др.

Кроме того, возможность подключения и передачи данных на платформу MindSphere уже встроена во многие решения Siemens, например в ПЛК Simatic S7-1500, системы ЧПУ Sinumerik 840D, аппаратные модули для мониторинга двигателей Siemens Simotics IQ.

Обработка потоковых данных

Производственное оборудование, машины и станки могут создавать большие потоки данных и сигналы, генерируемые с высокой частотой. Анализ этих сигналов позволяет контролировать и прогнозировать работу оборудования, сравнивая данные реально функционирующей системы с ее цифровой моделью, выявлять аномалии и отклонения. Во многих случаях полностью передавать «сырые», необработанные исходные данные в облачную IoT-платформу неэффективно и дорого с точки зрения пропускной способности каналов связи.

Для решения задач обработки сигналов и потоковых данных платформа MindSphere предлагает дополнительные инструменты мониторинга и анализа состояния оборудования «на месте», то есть на производственной площадке. Подсистема CMS X‑Tools – это система мониторинга состояния (Condition Monitoring System, CMS) от Siemens, которая включает библиотеки и инструменты анализа сигналов. Интеграция CMS X‑Tools может обогатить решение на основе MindSphere эффективными возможностями спектрального и вибрационного анализа сигналов частотой до 192 кГц, динамической корреляции потоков данных, поиска аномалий и выявления трендов. Предварительно обработанные и сжатые данные затем передаются на облачную платформу MindSphere для последующего анализа, например, в контексте смежного оборудования и истории его работы.

Рис. 4. Предварительная обработка потоковых данных с помощью CMS X-Tools (увеличить изображение)

Программные компоненты CMS X‑Tools не нуждаются в специализированном оборудовании и могут быть установлены как на промышленные компьютеры производства компании Siemens, так и на любой стандартный компьютер или сервер под управлением ОС Windows. Решение поддерживает широкий набор быстро подключаемых устройств, которые не требуют дополнительных модулей интеграции с платформой MindSphere. К ним относятся, например, контроллеры Simatic S7-300/400/1200/1500, системы управления движением SIMOTION и SINAMICS, модули SIPLUS CMS 2000 и 4000, станции обслуживания SIMATIC Maintenance Station, серверы OPC UA.

Инструментарий CMS X‑Tools помогает выявлять аномальное поведение систем или повреждения механизмов на ранних стадиях благодаря глубокому анализу и мониторингу их работы в режиме реального времени. Это позволяет оптимизировать процессы производства и снизить затраты на техническое обслуживание за счет прогнозов состояния и запланированных остановок.

Готовые приложения для MindSphere

Открытый подход и модульные принципы построения MindSphere позволили быстро развить широкую экосистему партнеров, которые обогащают платформу своим опытом, знаниями и наработками в виде готовых приложений и модулей MindApps. Пользователь платформы может выбирать в онлайн-магазине MindSphere Store**, содержащем десятки готовых решений, приложения, подходящие для его задач и индустриальной специфики. Уже готовы приложения для химической, пищевой, фармацевтической, автомобильной отраслей промышленности.

Приложение Fleet Manager, включенное в базовый пакет услуг MindSphere, позволяет просмотреть весь парк подключенных устройств, выбрать параметры для анализа, задать диапазоны и пороговые значения сигналов, настроить правила реагирования на события. Пользователь может задать способы отображения и интервалы анализа данных, просматривать исторические данные.

Рис. 5. Основные возможности приложения Fleet Manager

Для мониторинга и анализа работы станков с ЧПУ разработано приложение Manage MyMachines. С его помощью предприятие может контролировать в режиме реального времени текущий статус станка и коды операций, процентовку подачи и шпинделя, историю событий и сбоев и т. п.

Рис. 6. Статус работы станков в приложении Manage MyMachines (увеличить изображение)

Приложение позволяет контролировать целый парк эксплуатируемых станков с их статусами на схеме цеха и (или) участка, оценивать эффективность их работы и загрузку. Оператор станков может анализировать историю их работы, настраивать оповещения об аварийных событиях, просматривать параметры в виде таблиц и диаграмм.

Задачи оптимизации производства, конечно, не ограничиваются только мониторингом и диагностикой промышленного оборудования. Нужно оперативно учитывать состояние склада, информацию от поставщиков и заказчиков, параметры качества сырья и продукции и т. п. Приложение Product Intelligence включает все необходимые интерфейсы и инструменты для сбора и анализа данных из различных источников (поставщиков, производителей и клиентов) в комбинации с промышленными данными. Решение позволяет осуществлять унификацию, поиск, фильтрацию и анализ данных с учетом контекста (например, для партии продукта, поставок комплектующих, условий производства или эксплуатации). Это обеспечивает возможность интеллектуального принятия решений, снижения затрат и времени на поиск источников проблем.

Предиктивная диагностика оборудования

Предиктивная (предсказательная) диагностика производственного оборудования позволяет предугадать наступление аварийной ситуации на основе анализа и мониторинга его текущего состояния и предсказания сбоев. В результате предприятие может заблаговременно предпринять действия для устранения проблемы или смягчения неблагоприятного эффекта. Дополнительным эффектом от предиктивной диагностики может стать переход от практики планово‑предупредительных ремонтов и ремонтов по событиям к техническому обслуживанию на основе фактического состояния оборудования, что снижает количество простоев на производстве и расходы на эксплуатацию.

Создание систем предиктивной аналитики и диагностики охватывает ряд этапов:
— первичный сбор эксплуатационных данных оборудования, включая историю его работы;
— анализ данных и построение прогностических моделей (на основе математических алгоритмов, обучения нейронных сетей, методов распознавания образов);
— верификация и проверка точности моделей.

Платформа MindSphere обладает всеми необходимыми инструментами для построения систем предиктивной диагностики. В пакет услуг MindSphere Predictive Learning входит набор алгоритмов и библиотек для создания предсказательных моделей с помощью методов глубокого машинного обучения, нейронных сетей и на основе математических моделей. В MindSphere готовые аналитические модули могут быть быстро сконфигурированы и подключены к источникам промышленных данных, отображающим работу промышленных систем.

Рис. 7. Создание прогностических моделей в модуле Predictive Learning (увеличить изображение)

C помощью модуля Data Science Workbench, входящего в пакет Predictive Learning, пользователи могут создавать и адаптировать модели, сохраняя их затем в хранилище Zeppelin Notebook. Каждый экземпляр модели может быть обучен на серии реальных данных, собранных в MindSphere, а результат анализа визуализирован. Модели могут быть созданы с использованием известных алгоритмов и наборов библиотек, таких как TensorFlow, Spark, NumPy, Scikit-learn, Keras, SciPy, Matplotlib, Pandas, а также библиотек распределенных вычислений, например MLib. У специалиста по анализу данных также есть возможность конфигурирования необходимых вычислительных ресурсов для работы моделей. Готовые функции инструментария Predictive Learning позволяют быстро анализировать и трансформировать большие массивы данных без необходимости программирования или создания скриптов. Это дает возможность создавать новые серии данных, которые могут быть применены на различных вариантах моделей или в другом хранилище моделей, что упрощает взаимодействие экспертов и специалистов из разных областей.

Многие европейские производственные компании переходят на цифровые методы мониторинга и предиктивное обслуживание оборудования, активно контролируя его состояние и сокращая время простоев. Технологии и подходы, которые предлагает платформа MindSphere, позволяют осуществить такой переход достаточно быстро и без значительных начальных затрат.

Один из лидеров по производству сложных металлообрабатывающих центров и станков с ЧПУ компания Heller Maschinen und Technologie AG (Heller) поставила перед собой задачу обеспечить для своих заказчиков новый уровень мониторинга и обслуживания продукции. В качестве платформы мониторинга Heller выбрала решение Siemens MindSphere. Благодаря готовым программным агентам, встроенным в ЧПУ Sinumerik, интеграция с платформой MindSphere стала бесшовной. Для обеспечения непрерывного мониторинга станочного оборудования было создано специальное приложение HELLER4Services, которое можно заказать онлайн в магазине приложений MindSphere Store. Приложение позволяет снизить затраты на обслуживание станка в течение всего его жизненного цикла. На основе непрерывного анализа состояния сложной механической системы приложение предлагает сервисные мероприятия, которые предотвращают сбои и связанные с ними дорогостоящие простои. Новая цифровая услуга обеспечивает обзор состояния парка машин и анализ данных за любой период времени, а также синхронизацию данных о фазах процесса производства с сообщениями об ошибках, которые произошли.

Другой пример – реализация системы предиктивного обслуживания холодильных агрегатов и чиллеров серии Blue e+ компании Rittal на базе специализированного приложения MindSphere. Данные от оборудования (температура, напряжение, другие параметры) передаются в платформу MindSphere и используются для контроля состояния установленных систем и управления сервисным обслуживанием. За счет перехода к предиктивному обслуживанию обеспечивается повышение коэффициента эксплуатационной готовности оборудования и достигается 30‑процентное снижение затрат на эксплуатационную поддержку и сервисное обслуживание.

Крупнейший производитель безалкогольных напитков в Европе использует MindSphere для мониторинга и предиктивного анализа работы производственных линий. Ключевым элементом линий являются двигатели, число которых достигает 150. Отказ одного двигателя ведет к незапланированной остановке всей линии и, следовательно, к большим финансовым потерям. Для организации предиктивного обслуживания и своевременной замены двигателей были применены методы вибрационного анализа их работы. Результаты вибрационной аналитики, полученные с помощью инструментов CMS X‑Tools, передаются на платформу MindSphere, которая в режиме реального времени контролирует состояние всех двигателей в производственной системе, предсказывает возможные сбои на основе математических моделей, заблаговременно оповещает персонал о необходимости ремонтных работ. В результате удалось повысить выход готовой продукции на 15 % за счет снижения времени простоев и улучшения производственных процессов.

Методы и инструменты цифрового мониторинга и предиктивного обслуживания промышленного оборудования активно развиваются во всем мире. Ключевая роль в этих изменениях принадлежит открытым платформам IoT, к которым относится MindSphere. Чтобы оставаться конкурентоспособными, повысить прозрачность и время бесперебойной работы систем, производственным предприятиям необходимо активно внедрять IoT-технологии.

Услуги и инструменты MindSphere позволяют компаниям быстро подключить существующий парк оборудования и получить первые результаты цифровизации, используя готовые приложения – без необходимости создания собственной ИТ-инфраструктуры и сложных программных стеков. Управляемая облачная модель дает возможность без ограничений расширять функциональность и масштабировать мощность системы мониторинга с предсказуемым уровнем финансовых затрат.

Платформа и операционная система от Siemens предлагает полное (end to end) решение, начиная от инфраструктуры подключения и до инструментов предиктивной аналитики и машинного обучения. MindSphere не только обеспечивает мониторинг состояния оборудования, но и дает операторам и обслуживающему персоналу централизованное представление о рабочих характеристиках и состоянии процессов производства. Технологии предиктивной аналитики MindSphere позволяют точно определить, когда нужно выполнить обслуживание промышленных систем, и тем самым сократить затраты предприятий.

1. Бекасов Д. Возможности «Сименс» для цифровой трансформации промышленных производств // Тематическое приложение «IIoT» к Control Engineering Россия. 2018. № 5.
2. MindSphere – облачная, открытая операционная система для интернета вещей, способствующая цифровой трансформации бизнеса // CAD/CAM/CAE Observer. 2017. № 6.
3. Соколов Д. И., Соловьев С. Роль открытой операционной системы IIoT MindSphere в цифровой трансформации промышленных предприятий // Автоматизация в промышленности. 2008. № 7.
____________________________
*Англ. выражение ‘pay as you go’ в данном случае подразумевает оплату только за потребленные услуги.
**Будет доступен для пользователей на территории Российской Федерации в ближайшее время.

Статья опубликована в журнале «ИСУП» № 4(76)_2018

Источник