Do Projektu iAutomatyka dołączyli:

Publikacja zgłoszona do 🎁 Konkursu iAutomatyka
https://iautomatyka.pl/wp-content/uploads/2022/06/Predictive-maintenance.jpg

Przykład predykcyjnego wyznaczenia poziomu wyeksploatowania mechanizmu precyzyjnej śruby z nakrętką kulkową.

autor: MoreCoffe.

Poniższy artykuł będzie tylko przykładem dość niekonwencjonalnego podejścia do typowych predykcyjnych działań, które wykonywane są w ramach predykcyjnego utrzymania ruchu. Nie będzie tutaj mowy o konieczności dodawania żadnych dodatkowych czujników, przepływomierzy czy innych drogich elementów pomiarowych. Wszystkie dane, które posłużą nam do przeprowadzenia a nawet wdrożenia gotowego systemu będą wyciągane z serwomechanizmu, który oferuje szeroką listę monitorowanych wielkości. Treść przedstawiona poniżej nie będzie nawiązywała do typowej pracy automatyka w dziale utrzymania ruchu a będzie to połączenie automatyzacji z analizą i przetwarzaniem danych w celu optymalizacji procesu produkcyjnego, co idealnie zakrawa o popularne hasło przemysłu 4.0.

Na wstępie zaznaczę, że mimo tego, że cała analiza opiera się o obsługę narzędzi serwomechanizmu, programowania PLC, konfigurowania data loggera, czy pisaniu skryptu w języku python nie zostanie to tutaj przedstawione. Artykuł odnosi się jedynie do przedstawienia samych zależności i podejścia do analizy a nie prezentacji gotowego rozwiązania, które w znaczący sposób by go (artykuł) wydłużyło.

Czym są działania predykcyjne?

Działania predykcyjne polegają na ocenie stanu technicznego eksploatowanych obiektów z zastosowaniem zaawansowanych metod przetwarzania i analizy danych wykorzystujących metody sztucznej inteligencji. Fundamentalnym czynnikiem predykcyjnego utrzymania ruchu jest diagnostyka maszyn i procesów, która ma na celu dostarczenie znaczących informacji potrzebnych do zapobiegania występowania awarii oraz przestojów

Cel projektu

Celem projektu było opracowanie systemu kontrolno-pomiarowego, który w sposób zdalny będzie monitorował parametry pracującego mechanizmu napędzanego przez serwonapęd. Taki system powinien powiadomić pracowników utrzymania ruchu w razie wykrycia podwyższonych parametrów kontrolnych i zasugerować sprawdzenie mechanizmu. Badany układ został przedstawiony poniżej. Składa się on z mechanizmu precyzyjnej śruby z nakrętką kulkową, która napędzana jest serwonapędem firmy Mitsubishi.

Rys.1 Badany układ

Na poniższym rysunku został przedstawiony schemat działania układu. Układ serwomechanizmu wysyła monitorowane wielkości do PLC, skąd zapisywane są dane w zdefiniowanej formie w data loggerze, który to następnie wysyła gotowy plik do analizy w formacie tekstowym na dysk sieciowy. Kolejny krok dotyczy zaciągnięcia i przeanalizowania zapisanego pliku z dysku sieciowego przez napisany algorytm uczenia maszynowego w języku python. Po wykonanej analizie program decyduje czy dany mechanizm nadaje się do dalszej pracy, jeśli nie to wysyła informację do bazy danych systemu CMMS, w której jest utworzona odpowiednia kwerenda odpowiedzialna za poinformowanie wyznaczonego pracownika o konieczności wykonania kontroli układu.

Rys.2 Schemat przesyłu danych

Założenia projektowe

Do badania posłużą nam trzy osobne mechanizmy o orientacji pionowej wykonujące ruch w pełnym zakresie roboczym o różnym stopniu wyeksploatowania

  • nowy mechanizm z luzem pomiędzy śrubą a nakrętką = 0,1[mm],
  • mechanizm po pół rocznej eksploatacji z luzem = 0.4[mm]
  • mechanizm prewencyjnie wymieniony z luzem =0.8[mm]

Biorąc pod uwagę fakt, że wraz ze wzrostem poziomu wyeksploatowania mechanizmu wzrasta tarcie pomiędzy śrubą a nakrętką można by wysunąć tezę, że dobrym parametrem do monitorowania stanu mechanizmu będzie zużycie prądu serwosilnika. Po analizie tego parametru nie zauważono jednak korelacji pomiędzy powyższym. Skorzystano wówczas z narzędzia oscyloskopu oprogramowania MELSOFT firmy Mitsubishi i zauważono zależności w stabilności przebiegu prądu podczas pracy poszczególnych mechanizmów, które zostały przedstawione na poniższych rysunkach:

Rys. 3 Przebieg charakterystyki prędkości oraz  prądu mechanizmu o najniższym stopniu wyeksploatowania.

Rys. 4 Przebieg charakterystyk mechanizmu o średnim stopniu wyeksploatowania.

Rys. 5 Przebieg charakterystyk mechanizmu o wysokim stopniu wyeksploatowania

Jak można się domyśleć przebieg różowy dotyczy prędkości a niebieski przebiegu prądu. Porównując przebiegi trzech mechanizmów, które posiadają różny stopień wyeksploatowania dostrzegamy różny poziom stabilności obu przebiegów. Widoczne jest, że charakterystyki mechanizmu, który został przestawiony jako ostatni posiadają wysoką niestabilność względem mechanizmu o najniższym stopniu wyeksploatowania. Parabola prędkości w swoim wierzchołku nie posiada tak dużych zachwiań jak w ostatnim przypadku. W przypadku mechanizmu o najwyższym stopniu wyeksploatowania widoczne są również duże zmiany prądowe, prawdopodobnie spowodowane zmianami struktury współpracujących ze sobą elementów mechanizmu.

W takim przypadku jak powyżej przedstawiony pozostaje nam zadać sobie pytanie jak odwzorować (najlepiej w sposób matematyczny) zaistniałe niestabilności. I tutaj z pomocą przychodzą nam poznane (lub nie) na studiach metody numeryczne.

Kolejnym krokiem do wyznaczenia poziomu niestabilności było „okrojenie” wykresu z nieinteresujących nas danych (nie było to też takie proste ponieważ każdy logowany plik do data loggera posiadał 3000 wierszy i kilka kolumn. Nie bójcie się jednak – w tym artykule nie zostanie przedstawiona tak obszerna analiza żeby przynajmniej kilka osób dotrwało do końca). Na poniższym rysunku przedstawiono już wyfiltrowane dane wraz z wyznaczonymi funkcjami aproksymującymi obu przebiegów.

Rys.6 Wyfiltrowane dane z naniesionymi funkcjami aproksymującymi.

Ponownie skracając całą analizę – jak było to widoczne już na 3 wykresach z oscyloskopu – dużo większe niestabilności zachodziły w charakterystykach prądowych przez co porzucono analizę porównawczą przebiegu prędkości.

Wyznaczenie wielkości

 Aby zdefiniować niestabilność charakterystyki wpadł taki pomysł do głowy aby wyznaczyć funkcję aproksymującą a następnie wyznaczyć różnicę między punktem aproksymowanym a punktem rzeczywistym. Mając takie dane można by wyznaczyć kilka wielkości takich jak maksymalne bezwzględne odchylenie od funkcji aproksymującej, średnie bezwzględne odchylenie od funkcji aproksymującej. Wyliczając jeszcze średnie bezwzględne tempo zmian funkcji możemy już powiedzieć, że posiadamy trzy główne wielkości, które będą określały poziom niestabilności opisywanej funkcji.

Poniżej zostały przedstawione wyniki przeprowadzanej analizy stabilności charakterystyki prądowej, w której bardziej widoczne są znaczne odchylenia.

Rys. 7 Przebieg charakterystyki prądu mechanizmu o dużym stopniu wyeksploatowania.

Rys. 8 Przebieg charakterystyki prądu mechanizmu o niskim stopniu wyeksploatowania.

Rys. 9 Przebieg charakterystyki prądu mechanizmu o średnim stopniu wyeksploatowania.

Tab. 1 Zestawienie wyliczonych parametrów dla poszczególnych mechanizmów.

Powyższa tabela przedstawia w sposób matematyczny jak duże różnice w stabilności charakterystyki prądowej występują pomiędzy mechanizmami o różnych stopniu wyeksploatowania. Dzięki temu, że była możliwość zdefiniowania występujących zaburzeń, kolejnym wykonanym krokiem była implementacja algorytmu analizy danych do środowiska python w celu automatyzacji jej oraz stworzenie algorytmu uczenia maszynowego, który przyczynił się do bezobsługowego sprawdzenia stanu zużycia mechanizmu śruba nakrętka.

W tym momencie można by powiedzieć, że skoro posiadamy już wyznaczone pewne wielkości, które obrazują stan niestabilności, posiadamy program, który automatyzuje całą tą analizę danych to do czego potrzebujemy algorytmu uczenia maszynowego? W tym przypadku zastosowanie algorytmu uczenia maszynowego konieczne jest ze względu na to, że ciężko byłoby nam ocenić który z tych parametrów najlepiej opisuje przedstawione niestabilności. A napisany algorytm „wie” to najlepiej.

Fragment wynikowej tablicy danych, która przeanalizowała ponad 150 różnych przebiegów dla każdego mechanizmu:

Rys. 10 Wynikowa tablica po przeprowadzenia analizy danych w środowisku python

oraz fragment „wytrenowanej” tablicy wynikowej algorytmu uczenia maszynowego, który przypisał wartości „1” w kolumnie „STAN” dla plików, które odnoszą się do mechanizmu, który w dalszym ciągu może pracować oraz wartości „-1” dla mechanizmu, który powinien zostać sprawdzony/wymieniony.

Rys. 11 Wynikowa tablica po przeprowadzonej analizie algorytmu uczenia maszynowego

Wynikiem tekstowym, który zapisywane jest w danym obiekcie, który wysyłany jest do bazy danych jest poniższy rysunek:

Rys. 12 Testowe sprawdzenie poprawności działania algorytmu

Podsumowując

Działania predykcyjne w coraz to większym stopniu będą wypierały reakcyjne czy prewencyjne wymiany poszczególnych elementów. Dzięki możliwości monitorowania przeróżnych parametrów opisujących stan maszyny jesteśmy w stanie zaplanować sobie poszczególne działania z odpowiednim wyprzedzeniem co może pomóc nam również w optymalizacji stanów magazynowych. Analizując pewną wielkość nie powinniśmy się skupiać jedynie na definiowaniu anomalii na podstawie przekroczenia pewnej granicznej wartości.



Utworzono: / Kategoria:

Reklama

Newsletter

Zapisz się i jako pierwszy otrzymuj nowości!




.
NAJNOWSZE PUBLIKACJE OD UŻYTKOWNIKÓW I FIRM

Reklama



MOŻESZ SIĘ TYM ZAINTERESOWAĆ
  • SICK oferuje całą gamę elektronicznych przetworników pomiarowych ciśnienia i presostatów, które ze względu na inteligentne i wszechstronne możliwości konfiguracji dają się optymalnie dopasować do indywidualnych wymagań klienta. W typowy dla...
  • W trybie refleksyjnym sygnał ultradźwiękowy jest nieustannie odbijany przez zamontowany na stałe element odbijający wiązkę, tzw. element odniesienia. Jako elementu odbijającego wiązkę można używać odpowiednio ustawionego panelu z plastiku l...
  • System MasterIN firmy Finder składa się z przekaźnikowych modułów sprzęgających z terminalami Push-in. Technologia ta reprezentuje najnowsze osiągnięcia w bezśrubowych ‘sprężynowych’ zaciskach, oferujących szybką instalację. W porównaniu do...
  • Autor: Paweł Wiącek, Kierownik Produktu Czujniki Przemysłowe, SICK Sp. Z o.o. SLT – Smart Light Tower, czyli inteligentna optyczna kolumna sygnalizacyjna pracująca po IO-Link   SLT zapewnia elastyczność w wizualizacji przebiegu procesó...
  • Ten kurs zawiera podstawy z dziedziny serwomechanizmów. Składa się z pierwszego modułu wprowadzającego, pełnego kursu o serwomechanizmach. Mini kurs przeprowadzi Cię przez podstawowe zagadnienia związane z serwomechanizmami. Zaczniemy od sa...
  • Produkty i rozwiązania firmy SICK są równie różnorodne jak codzienność w przedsiębiorstwie. Szkolenia SICK dla użytkowników umożliwiają zdobycie wiedzy na temat zróżnicowanej oferty naszych innowacyjnych produktów w formie dostosowanej do k...
    Link: Terminy