Ì ] o ] v ] v ] v v Z v€¦ · / v ] Ì ] o ] v ] v ] v v & Z v. ^ u v } v ( º / &
MainTech konferansen 2015 Jan Erik Salomonsen, Trondheim … · Kapasitor [V] Teller [n]...
Transcript of MainTech konferansen 2015 Jan Erik Salomonsen, Trondheim … · Kapasitor [V] Teller [n]...
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.