Big Data & Condition Monitoring

Jan Erik Salomonsen, Trondheim 08.04.2015

MainTech konferansen 2015

Safety first – No planned drills!

Big Data Mining - i samarbeid med:

Hvorfor kom du hit?

Expectations? – Learning – Inspiration – Networking – Exchange – ?

Forventninger? • Lære • Bli inspirert • Skape nettverk • Utveksle erfaringer • ?

Program 10:30-11:15 Introduksjon – BDCM - Kvalitetsdata for diagnostikk

- Jan Erik Salomonsen, MainTech AS

11:15-12:00 Fremtidens tilstandskontroll - Tommy Glesnes, Karsten Moholt AS

12:00-12:15 Kaffe/ Vrimle/ Stands

12:15-13:00 Big data” – hva betyr dette i gjennomføring av O&G prosjekter - Gunder A Dragsten, Lloyds Register Consulting AS

13:00-14:00 Lunsjbuffet med fjordutsikt

14:15-15:00 Smart machines - Mike Brooks, Mtell

15:00-15:45 SAP - Ny PdMS-løsning - Christian Baust, SAP AG

15:45-16:15 Oppsummering, Nettverksbygging og Diskusjon - Jan Erik Salomonsen, MainTech AS

17:00-17:30 Kompetansemyldring m. spekemat og noe å drikke

18:30…….. Kveldsarrangement Underholdning – Tapas klokken 20:00

Hva er Big Data Mining? • Big data mining er en kombinasjon av gammel

og ny teknologi som hjelper til med å gi brukeren pro-aktiv forhånds-innsikt

• Samtidig krever dette; innhenting, koordinering, manipulasjon, analyse, lagring og presentasjon av store data volumer, med riktig hastighet, innen riktig tidsvindu til sluttbrukeren

• Dataene kommer fra en mangfoldig variasjon av interne og eksterne kilder, strukturerte-, ikke strukturerte-, digitaliserte signaler, tekst, foto og video.

Hvorfor BDCM og maskin-læring? • Samme motivasjon som å investere i CM og i tillegg:

– Enda tidligere varsling om feilutvikling – Enda bedre «hitrate» på prediksjon – Enda mer oppetid grunnet bedre planlegging og dermed inntjening – Håndterbar prognose av feilutvikling – Forbedret utførelse av KV, FV og TK – Øke mulig bruksområde for tilstandskontroll – Finne og utnytte sammenhenger i data som du ikke var klar over eksisterte – Bruke tilstandskontroll data som aktiv input til prosesskontroll – Automatisert analyse i inntil nær sanntid-lukke VH sløyfa automatisk

• Ved å legge til flere data til tradisjonelle CM data som viser korrelasjon eller antikorrelasjon

= sikrere diagnose med flere beskrivende symptomer!

• Disse tilleggsdata hentes fra ulike kilder som prosessdata, eller manuelt innlagte data

Hvilket utstyr skal ha tilstandskontroll?

• FEED Bestemmer pålitelighetsfunksjon og derivere kritiske komponeneter - blokksimulering

• Kritikalitet fra QRA og RCM grovanalyse

• RCM logikk gir hvilke av disse som skal ha TK

• FMSA bestemmer hvilke målemetoder og signal som gir god korrelasjon

• Oversiktsmatrise gir oversikt over hvilke datakilder vi har og hvilke vi ønsker oss.

x1 x2 x3

x4

Hvilket utstyr skal ha TK?

PF-Intervall -responstid for vedlikehold • Valg av tilstandskontroll

– Avhenger av om komponenten har en målbar feilutvikling slik at man rekker å reagere før havari:

Tilstand

Tid P-F Intervall

Sensitivitet

Inspeksjoner

P

F

Aksjon

T 1

T 2

T 3

T 4

Komponenters slitasjeforløp UAL 1968

Bromberg 1973

MSP 1982

SUBMEPP 2001

4 %

3 % 3 % 2 %

2 %

1 % 17 % 10 %

5 %

4 % 3 % 17 %

7 %

11 % 6 % 9 %

14 %

15 % 42 % 56 %

68 %

66 % 29 % 6 %

t

Z(t)

Sviktintensitet vs. tid

RCM beslutnigslogikk

Responstid / prediksjons horisont

Rask

Treg

Krav til analysetid

Databehandling Lokalt In field

I strømmen In-memory computing Cloud computing Parallel computing Cluster computing

I arkiv Database

Sag

Korro-sjon

Racer-bil

1 år

20ms

2s

Lysbue vakt

1ms

Jordfeilbryter

1 uke Vedlike

hold

1 mnd

Prosess kontroll

Maskinvern

Prosess+ Automatisert VH styring

Sanntid Nær-Sanntid Retrospektiv

Near-real time ≈ Seconds to minutes

Real time ≈ Within ms

Alder på data

F1 - Prediksjonshorisont 2 Sekunder

150 sensorer logger 15MB per runde I 50GB per race Sanntidsanalyser for å tune inn race performance under løpene Prediksjons horisont er 2 sekunder Krever lokal sky med 19 servere som teamet reiser rundt med

Data overføringshastighet Network latency RS-232/RS-485 (Modbus) 9 600 – 57 600 b/s Ethernet 100 Mb/s Wireless IEEE 802.15.4 150 - 2600 Mb/s

FMSA Failure Mode Symptoms Analysis • Hjertesvikt (feilmode) • Symptomer svikt (fault)

– Tretthet – Kortpustethet, tung pust ved anstrengelser

eller om natten i liggende stilling. – Nattlig hoste, dårlig matlyst, hovne ben,

vektøkning på grunn av vannansamlinger og hjertebank.

– Smerter i rygg, kjeve, nakke og bryst, «Stråling» i armer

– Influensalignende plager/sykdomsfølelse – Kvalme/brekninger/kaldsvette – Fordøyelsesplager – Tilbakevendende press i brystet

• Direkte årsak / Indikator – Alder - Teller – Høyt blodtrykk – Puls, blodtrykk, lytte – Diabetes - Insulinmåling

• Basert på symptomene danner legen seg en hypotese og utreder indikatorene på feilmodet (og evt. Andre feilmoder eks. influensa) = tar tempen.

• Basert på samsvar (og ikke samsvar eks. feber) mellom generelle statistiske akseptkriterier og målte verdier stilles diagnose med prognose på rest levetid.

FMSA Failure Mode Symptoms Analysis Hydraulisk pumpe leverer ikke nok trykk og volum: • Anomalitet / symptomer svikt

– Aktuator går tregt - Tidstrend – Temperatur øker - Temperaturtrend – Trykktap i system - Trykktrend – Støynivå - Støytrend – Synkende oljenivå - Nivåtrend

• Direkte årsak / Indikator – Driftstid- slitasje - Teller – tid / omdreininger

- Oljeprøve partikkelmåling - Trykkmåling - Vibrasjonsanalyse

– Vann i olje - Oljeprøve – Kavitasjon - Støy/Vibrasjonsmåling – Ekstern lekkasje - Visuell inspeksjon – Intern lekkasje - Regel: Treg aktuator og trykktap og ikke

ekstern lekkasje og ikke synkende oljenivå

• Forhåndsdefinerte mulige symptomer for aktuelt feilmode

• Analyse trigges av: – TK rutinen sjekker aktivt indikatorene

på symptomene – eller en «anomalitet» flagges via

målinger/alarmer • Basert på samsvar (og ikke samsvar)

mellom indikatorer og satte driftsvindu stilles diagnose med prognose på rest levetid

• Desto flere symptomer som samsvarer, desto sikrere diagnose

FMSA metodikk – ISO 13379-1

DET = Detectabilty (1-5) SEV = Severity (1-4) DGN = Diagnosability (1-5) PGN = Prognosability (1-5) MPN = Monitoring priority number (Max 500)

Forstå fysikken og kjemien!

Feilmekanisme Påvirkning i drift

Utmatting Antall dynamiske lastvekslinger, (belastning og antall S-N)

Slitasje - Erosjon Partikler, friksjon, geometriske endringer

Aldring Kjemisk mekanisk og temperatur, materialavhengig

Korrosjon Mange kjemiske og miljøparametre inkl. temperatur

Det vi måler på må relatere seg til påvirkning av feilmekanismene!

Hva ser vi etter – Features anomalies

Oljeanalyse Partikler >10 μm Økning i partikkelgradient Økning i metallandel

Eksempel motordrevet girboks

Features

Vibrasjonsanalyse Eksitert naturlig tannhjuls frekvens Økende sideband på GMF

Temperatur Økende temperaturgradient

Skjærbølgesensor Økende støynivå

Symptom

Effekt-akselvinkel Økende akselvinkel i forhold til gitt motoreffekt

Diagnose

Girslitasje Lagerslitasje

Slitasje på identifisert tannhjul

Økt friksjon i girboks

Økt metallkontakt i girboks

Tannhjulsslitasje Lagerslitasje Smøreproblematikk

Slitasje på identifisert tannhjul

Prognose

1 uke til havari

Hva ser vi etter – Features

Automatiserte feature detectors: Algoritmer som detekterer og klassifiserer signalendring i forhold til: • Gitte grenseverdier • Gitte signatur bibliotek Eller • Generelle forandringer

• Trend -outlier detection • Step changes • Ramp changes • Etc.

Descriptor og modell

Gray et al. 2012

Early warning 6days notice

Descriptor og modell?

Descriptor – thermal ageing insulation

Maskin læring - Hva går det ut på? • Maskin læring går ut på å la datasystemer selv stadig lære av data

for å gradvis ta bedre og mer intelligente beslutninger

• Når et maskin - læringssystem har blitt opplært til å bruke bestemte mønster og analysere modeller, begynner det å lære av historiske data og arbeider for å identifisere trender og mønstre som har ført til konkrete avgjørelser i fortiden

• Når nye data tilkommer fra systemets sensorer og annen input, har systemet en mye bedre sjanse til å lære mer, ta smartere beslutninger og unngå behovet for manuelle inngrep og beslutningstaking

ISO 13374-2 MIMOSA

Data innsamling DA

Data manipulasjon DM

State Detection SD

Helse vurd. HA

Prognose PA

Advisory generation AG

DA prosessering - kvalitetsdata: Digitaliserer, kvalitetsvurderer og tidsstempler An. Dig. og Man. signal O= Digitale data m. time stamp og kvalitetsindikator

Prognostic Assessment – Regresjonsanalyse: Beregner restlevetid basert på de tilordnede predikerte ikke-normal «states» [SVM, HMM, Regresjon….] O= Fremtidig tilstandsindikator, fremtidig feiltilstand, restlevetid, anbefalinger, bevis, forklaring

Data manipulasjon - Feature extraction (finner egenskaper): Signalprosessering [filtrering high/low pass, windowing, FFT, Wavelet transformation, Residual, Averaging, Algoritmer, Regresjon….] O= Feature-Descriptor data m. time stamp og kvalitesindikator

State Detection - Classifier: Sammenligner DM og DA output korrelasjon med baseline training data mønster, eller modell. Beregner om ny F-descriptor gir «feilet- state». [k-NN, k-means, SVM, ANN-B.prop…] O= State-descriptors: normal/ikke normal, inkludert grad av avvik, grenseoverskridelse, statistiske analysedata m. time stamp og kvalitetsindikator

Health assessment – Diagnostisering: Diagnostiserer feiltilstand og nivå [ANN/Bolsk/MSNN/BNN/SVM..]. O= Tilstandsindikator, diagnostiserte feil, anbefalinger, bevis, forklaring og konfidensnivå

Sensor / Transducer / Manual entry

CMMS

Smart Sensor

Classifier algoritme

k-NN classifier

Signalbehandling og støy

Temperatur [V]

Korrosjon [4−20mA]

Fotoelektrisk [D]

Vibrasjon [V]

Optisk [λ]

Kapasitor [V]

Teller [n]

Kraft/Trykk WB [V]

Tekst [#]

På/av [V]

Wireless Smart sensors [D]

Sensorer • Drift • Offset • Non-linearity • Oppstarttid • Loggetid • Temperatur påvirkning • Støy fra sensor • Støy fra omgivelser • Støy fra jording • Kalibrering? • Justering?

Sensorer – valg iht. bruksområde

Shieh et. Al.

Signal og støy

• Kapasitiv sensor

Kapasitiv Ultralyd Optisk

Støy fra en 100Hz sensor

Støy fra en 15kHz sensor

Et typisk prosessanlegg Hardware/aktivitet Vendor Software Maintenance records Internal SAP

Thermography FLIR FLIR

Smart sensors Emerson Fieldvue / W HART til OPC-DA Plantweb

Vibrasjon GE Bentley Nevada System 1

Smarte Ventilaktuatorer Score group V-map

Erosionsprober online ClampOn DRS485 til CO software

Korrosjonsprober online Emerson Corlog/Multitrend

Ventilovervåking Emerson Fieldvue HART, AMS

SIL tester Internt Intern

Maskinvern Bentley Nevada /Emerson BN3500 / CSI6000

Instrument ABB Asset optimiser m. fl.

OSIsoft PI

Osv.

BDCM og prosesskontroll

Strekklapper på ledeapparat for Francis turbin. Forskjell på stress ved oppstart med 50% åpning og med 30% åpning. Cagnon et. Al. 2007

BDCM og prosesskontroll -vindturbiner

Produksjonsoptimalisering Produsere i forhold til grensene

for tilstandsdegradering

Knytte data fra SCADA inn i TK

En vindturbin: SCADA: 200 IO/10 min CMS: 100 IO/ms

Vindturbiner Sampler typisk på 1Hz og lagrer 10 min avg. Dette er ikke godt nok for å trende eks. • Sjokklaster • Akkumulert høyfrekvent utmatting • Akkumulert termisk degradering

Skjær i sjøen • Signalstøy og ufullstendige signaler

– Standardisering og kvalitet!

• Prosesseringstid – infrastruktur – Valg iht. nødvendig responstid

• Mange forskjellige kommunikasjonsprotokoller - babels tårn – Velg felles protokoll (OPC-DA)!

• Tidssynkronisering av alle signal • Kalibrering og justering av sensorer

– Prioritering iht. viktighet

• Signaloppløsning - lagret datamengde – Valg avhengig av fysikken og kontrollbehov

Ressurser: MainTech AS www.maintech.no

Karsten Moholt AS www.karsten-moholt.no

Lloyds Consulting www.lr.org/consulting

Mtell www.mtell.com

SAP www.sap.com/Cloud-Computing

• IEC 60812/ISO 14224 (FMEA) • ISO 13374-2 (CM) • ISO 13379-1 (FMSA) • www.mimosa.org • www.opc.org • www.opencv.org

Lokal algoritme…

Tiden. Vi reduserer effekten av den.