Aktuální vydání

celé číslo

11

2019

Využití robotů, dopravníků a manipulační techniky ve výrobních linkách

Průmyslové a servisní roboty

celé číslo

Prediktivní údržba a sledování stavu zařízení v prostředí Matlab

Správná a spolehlivá činnost zařízení má zásadní význam pro efektivitu výrobních procesů. Významnou úlohu při zabezpečování provozu zařízení sehrává jejich účinná údržba, přičemž klíčová znalost je, ve kterém okamžiku je třeba zasáhnout potřebným úkonem údržby. Moderní metody umožňují odhadnout čas, kdy je vhodné údržbu uskutečnit. Článek nabízí stručný vhled do dané problematiky z pohledu využití softwarového prostředí Matlab, obsahujícího nástroje vhodné k podpoře tvorby algoritmů pro prediktivní údržbu a sledování stavu zařízení a také specializovanou nadstavbu Predictive Maintenance Toolbox

V každodenním životě se téměř každý setká se zařízeními, která se časem porouchají, nejsou-li řádně udržována. Firmy využívají k dosažení potřebné spolehlivosti zařízení a snížení nákladů tři základní strategie údržby.

Tradiční je strategie reaktivní údržby, kdy se zařízení opravuje až po poruše. U složitých a drahých zařízení a jejich souborů je ovšem tento přístup velmi nákladný a časově náročný.

V praxi se tudíž častěji využívá strategie založená na provádění údržby v pravidelných intervalech, např. podle kalendářního času, počtu odpracovaných hodin či pracovních cyklů atd. V tomto případě je těžké určit správný čas, kdy je údržbářský zásah právě nutný, a údržba se tudíž často dělá předčasně, tedy i přestože je zařízení v pořádku. Lze-li předpovědět, kdy porucha nastane, je možné naplánovat údržbu zařízení na správný čas a použít třetí ze základních strategií – prediktivní údržbu. Strategie prediktivní údržby je založena na schopnosti odhadnout dobu do vzniku poruchy na základě údajů zpracovávaných v odpovídajícím prediktivním modelu zařízení za účelem zjistit změny indikující počátek a vývoj poruchového děje. Vstupními údaji do prediktivního modelu zařízení jsou především hodnoty provozních veličin měřených na sledovaném zařízení při použití vhodných snímačů. V prediktivním modelu zařízení určeném pro prediktivní údržbu a sledování stavu zařízení navzájem spolupracují nejrůznější algoritmy souhrnně označované jako algoritmy pro prediktivnía údržbu. 

Vývoj algoritmů pro prediktivní údržbu

Základem činnosti algoritmů pro prediktivní údržbu a sledování stavu zařízení jsou údaje různého druhu, které mohou pocházet z vícerých zdrojů a mohou se vyskytovat v různých formátech a časových okamžicích či úsecích. V praxi se lze setkat se dvěma extrémy (a také mnoha případy „mezi“).

Většinou se údaje týkající se stavu zařízení zaznamenávají po delší dobu a při různých režimech provozu zařízení, od regulérního chodu po poruchové stavy – údajů tak může být mnoho a práce s nimi není vždy snadná. Pro tento případ je v prostředí Matlab k dispozici již zmíněná nadstavba Predictive Maintenance Toolbox s nástroji pro správu údajů ze snímačů, ať už uložených lokálně, či ve vzdálených úložištích.

Opačným extrémem je stav, kdy je údajů jen málo, popř. nejsou z poruchových stavů údaje vůbec žádné. V těchto případech lze využít metodu Model-Based Design a údaje z poruchových dějů potřebné k návrhu algoritmů pro prediktivní údržbu vygenerovat s použitím modelů zařízení vytvořených v simulačních nástrojích obsažených v prostředí Matlab (Simulink a nástroje skupiny Simscape).

Další důležitou součástí prediktivních modelů zařízení jsou algoritmy pro předzpracování údajů. Jejich činnost spočívá v úpravách surových nasbíraných údajů směrem k realitě, v první řadě např. v doplnění chybějících údajů, odstranění (náhradě) zjevně odlehlých hodnot apod. Pokročilejší metody předzpracování údajů dat zahrnují např. filtraci či vyhlazení časových řad naměřených údajů. Někdy je také vhodné transformovat údaje z časové do jiné domény, např. do frekvenční oblasti (obr. 1). Velkou pomoc při pokročilejším předzpracování dat představují nástroje Signal Processing Toolbox a Wavelet Toolbox s množstvím předem připravených funkcí.

Po předzpracování údajů se z mnoha možných indikátorů stavu zařízení snáze vybírají ty, které jsou důležité k rozlišení správného chodu zařízení od poruchového. Indikátor stavu je charakteristika počítaná z naměřených, popř. předzpracovaných údajů, jejíž chování (hodnoty) se mění předvídatelným způsobem s tím, jak zařízení degraduje nebo přechází do odlišného provozního režimu. Indikátory stavu mají při vytváření prediktivního modelu zařízení rozhodující úlohu. 

Použití algoritmů pro prediktivní údržbu a sledování stavu zařízení v praxi

Algoritmy pro prediktivní údržbu a sledování stavu zařízení jsou základními kameny při tvorbě prediktivních modelů chování sledovaných zařízení. 

Modely pro prediktivní údržbu

K nejvýznamnějším softwarovým rutinám obsaženým v nástroji Predictive Maintenance Toolbox patří mj. metody pro výpočet odhadované zbývající doby provozního života zařízení (Remaining Useful Life – RUL). V nich jsou využívány modely založené na principech podobnosti, přežití či degradace (obr. 2).

Modely založené na podobnosti (similarity models) predikují zbývající dobu života konkrétního zařízení na základě dřívějšího chování podobných zařízení, od spuštění až po vznik poruchy, známého z historických údajů. Jde o modely porovnávající aktuální časové průběhy veličin (indikátorů) sledovaných na zařízení s jejich historickými hodnotami známými ze zařízení vykazujícími podobné degradační chování (obr. 2a).

Modely založené na přežití (survival models) využívají statistické metody. Jsou výhodné tehdy, nejsou-li k dispozici úplné časové historie veličin, ale pouze časy, kdy se zařízení porouchalo nebo na něm byl proveden úkon údržby. Na základě těchto údajů model odhaduje pravděpodobnostní distribuci doby do budoucí poruchy (obr. 2b).

Modely založené na degradaci (degrada­tion models) využívají předchozí chování daného zařízení k předpovídání vývoje jeho stavu v budoucnu. Tyto modely se snaží natrénovat lineární nebo exponenciální model degradace a určují zbývající dobu provozního života podle známého prahu selhání a také poskytují intervaly spolehlivosti odhadu a pravděpodobnost poruchy (obr. 2c). 

Systémy pro sledování stavu zařízení

Systémy určené k samotnému sledování stavu zařízení rozlišují mezi stavem poruchy a stavem běžného provozu a nemívají prediktivní charakter, pouze vyhodnocují aktuál­ní situaci. Při tvorbě a používání algoritmu ke sledování stavu zařízení se využívají, podobně jako při prediktivní údržbě, indikátory stavu. Jednoduché modely ke sledování stavu mohou obsahovat jedno či několik ohraničení hodnot indikátorů a signalizovat poruchu při překročení hranic. Jiné modely využívají strojové učení k natrénování klasifikátoru, který přijímá aktuální hodnoty indikátorů a vrací pravděpodobnost chybového stavu. 

Chod algoritmů lokálně nebo v cloudu

Po vytvoření algoritmu pro prediktivní údržbu nebo sledování stavu zařízení lze tento provozovat lokálně, jako součást řídicího systému výroby či koncového zařízení, nebo v cloudu. Použít algoritmy v cloudu je výhodné tehdy, jestliže jsou do něj zároveň ukládány provozní údaje. Nejsou proto nutné přesuny dat mezi cloudovým úložištěm a lokálními počítači, na kterých by jinak algoritmy běžely. Při použití v koncových zařízeních jsou algoritmy provozovány blíže samotným strojům, není třeba přesunovat velké objemy dat a informace o stavu zařízení jsou okamžitě dostupné. Další možností je vhodná kombinace uvedených přístupů v závislosti na dostupné infrastruktuře, výpočetním výkonu a dalších aspektech.

Prostředí Matlab nabízí nástroje k zavedení algoritmů pro prediktivní údržbu a sledování stavu zařízení do lokálního výrobního systému (Matlab Production Server) nebo do cloudových uspořádání (např. Amazon Web Services – AWS a Microsoft Azure) a také nabízí automatické generování zdrojového kódu pro koncová zařízení. 

Souhrn

Úlohy prediktivní údržby a sledování stavu zařízení zasahují do vícero oborů, ať už jde o zpracování signálů, identifikaci systémů, modelování systémů, či o strojové učení včetně učení typu deep learning (obr. 3). V prostředí Matlab je vedle předem připravených funkcí dostupná přehledná dokumentace s příklady usnadňující vniknutí do problematiky a také grafické vývojové aplikace umožňující efektivně pracovat bez nutnosti psát programový kód.

(Humusoft s. r. o.)

Obr. 1. Indikátor stavu ve frekvenční oblasti, kde změna velikosti složek spektra indikuje nástup poruchového děje

Obr. 2. Modely pro prediktivní údržbu v prostředí Matlab

Obr. 3. Kroky při vývoji algoritmů pro prediktivní údržbu