У операторов ответственных машин и систем нет времени на простои. Подключенные механические системы, оснащенные датчиками промышленного интернета вещей (IIoT), будут постоянно передавать данные об их состоянии в надежде, что кто-то обнаружит подсказки об их будущем состоянии. Обработка огромного объема данных и преобразование их в своевременные меры по устранению угроз поддерживается решениями для мониторинга состояния и аналитики.

В лучших решениях используются передовые стратегии обнаружения рисков и неисправностей, которые ускоряют аналитику, диагностику и принятие решений. Решение Tignis содержит четыре автоматизированных механизма обнаружения рисков и сбоев, для каждого из которых требуется свой набор доступной информации:

  • Обнаружение аномалий: при мониторинге системы наблюдаемое значение данного физического свойства постоянно сравнивается с прогнозируемым значением, и при наличии значительных или устойчивых изменений оно помечается как аномальное. Это может включать расход, нагрузку, усилие, давление, температуру, вибрацию или другие рабочие параметры.

Обнаружение аномалий, основанное на машинном обучении, включает в себя сбор исторических данных датчиков, выбор измеримого результата, который имеет значение (обычно один датчик, который измеряет особенно важное физическое свойство), а затем обучение модели машинного обучения для прогнозирования этого свойства на основе измерений других коррелированных свойств. система.

Обнаружение аномалий можно применить к любому цифровому двойнику с данными датчиков, даже если специалисты по данным Tignis лично не имеют представления о том, как работает система или машина, прежде чем увидеть ее. Это сводит к минимуму барьеры для ценности.

  • Инженерные принципы и статистика. Проблемы могут быть обнаружены на основе известных инженерных/физических принципов и статистики с использованием собственного языка аналитических запросов Tignis. Язык запросов с поддержкой цифровых двойников концептуально находится где-то между SQL и Excel и позволяет специалистам, не являющимся техническими специалистами, например, инженерам-механикам, легко и быстро создавать правила о том, как система с заданным цифровым двойником должен По сравнению с обнаружением аномалий, этот механизм может быть более предписывающим в отношении обнаруженных проблем и возможных решений.

Инженерные принципы требуют закодированных инженерных/физических правил по крайней мере для одного из компонентов моделируемой системы. К счастью, многие основные компоненты широко распространены, включая насосы, вентиляторы, баки, компрессоры и многое другое.

Tignis работает с каждым новым клиентом, добавляя новые правила для процессов и активов, которые им действительно важны, вне зависимости от того, распространены они или нет. Усилиям способствует постоянно увеличивающаяся библиотека закодированных инженерных знаний, которую мы накапливаем.

  • Контролируемое машинное обучение: наиболее эффективное машинное обучение развивается при наличии обучающих примеров; в частности, записи о прошлых событиях, которые должны быть упреждающе предсказаны и предотвращены в будущем. Контролируемое машинное обучение позволяет заблаговременно обнаруживать ранее возникшие проблемы. Думайте об этом как об обучении машины распознавать признаки нежелательного состояния.

Контролируемое машинное обучение требует хорошо задокументированных и аннотированных цифровых записей о прошлых отказах вместе с соответствующими данными датчиков. Этих данных часто не существует, но они невероятно эффективны, когда они есть.

  • Моделирование. Невиданные ранее проблемы можно обнаружить на ранней стадии, объединив контролируемое машинное обучение с симуляцией. Если для процесса доступен высокоточный симулятор, Tignis может использовать его для имитации любого возможного состояния системы и создания обучающих данных, которые затем используются для обучения алгоритма раннего обнаружения машинного обучения. Алгоритмы обнаружения ML на несколько порядков быстрее, чем моделирование, и могут применяться на практике в режиме реального времени.

Симуляторы высокой точности в настоящее время не получили широкого распространения в промышленности. Чаще всего они зарезервированы для наиболее рискованных или сложных заводов или процессов, таких как атомные станции или некоторые заводы по производству углеводородов, потому что их строительство может стоить миллионы и применимо только к одному заводу. Это изменится, поскольку Тигнис разработал методы и инструменты, которые сделают моделирование более доступным. В Tignis работают эксперты мирового класса в области химической инженерии, машиностроения и физики, которые могут создавать модели для важных процессов. Например, компания Tignis недавно создала симулятор физики одного этапа обработки полупроводников.

Угрозы станут реальностью, если останутся незамеченными. Использование передового решения для мониторинга состояния и аналитики с многогранным сочетанием автоматических механизмов обнаружения угроз помогает выявлять риски оборудования, проводить профилактическое обслуживание и меры по оптимизации надежности, а также поддерживать работу в ожидаемом режиме.

Вы нашли эту статью интересной? Для получения дополнительной информации посетите наш блог: Physics, Machines, and Data.