Applicazione di tecniche predittive non convenzionali in impianto

  Richiedi informazioni / contattami

Caso di studio su un motore endotermico operante in un impianto di cogenerazione asservito ad uno stabilimento produttivo (seconda parte)

Figura 1 - PCA temperature gas/Potenza, periodo gennaio-settembre
Figura 1 - PCA temperature gas/Potenza, periodo gennaio-settembre
Figura 2 - AAKR marzo, Dati normalizzati
Figura 2 - AAKR marzo, Dati normalizzati
Figura 3 - AAKR marzo, SPRT Score
Figura 3 - AAKR marzo, SPRT Score
Figura 4 – AAKR marzo, Warnings
Figura 4 – AAKR marzo, Warnings

Principal Component Analysis, PCA, e dalla Auto Associative Kernel Regression, AAKR

Obiettivo

Monitoraggio dello stato e della variazione delle condizioni di funzionamento del motore.

Identificazione della presenza simultanea di più trend anomali su linee diverse all’atto di un inter­vento di manutenzione.

Risultati

A partire dai risultati della Principal Component Analysis, PCA, e dalla Auto Adaptative Kernel Regression, AAKR, valgono le seguenti conside­razioni:

è possibile identificare in maniera chiara con­dizioni di funzionamento diverse a partire dalle aree di riferimento generate dalla PCA e correlarle allo stato del equipment conside­rato, garantendo l’individuazione preventiva di fenomeni di “deriva” dalla condizione di normale funzionamento.

La possibilità di individuazione predittiva di problematiche su una linea appare confer­mata dalla AAKR pur in presenza di falsi po­sitivi in numero ancora troppo elevato.

L’utilizzo combinato dei risultati ottenuti dalle due tecniche appare promettente. A supporto di quanto sopra vale quanto segue:

periodo gennaio – febbraio: si possono di­stinguere due aree di funzionamento che sono relative ai due livelli medi di tempera­tura evidenziabili con l’analisi dei trend delle temperature dei gas esausti dei cilindri (area blu della Figura 1).

Periodo febbraio – marzo: i valori sono sostan­zialmente stabili per le prime due componenti principali (area rossa della Figura 1). La stabili­tà della condizione di funzionamento permette

un buon utilizzo della AAKR con un numero di falsi positivi molto basso.

Periodo marzo (seconda metà) – aprile (prima metà): si segnalano alcuni spike sulle singole componenti principali e l’inizio della “deriva” delle condizioni di funzionamento del motore (area verde della Figura 1). L’inizio di condizioni di funzionamento instabili determina, nel com­plesso, un numero crescente di falsi positivi rilevati dalla AAKR.

Periodi successivi: evidente cambiamento delle aree di funzionamento (aree viola – aprile/luglio - e azzurre – agosto/settembre) e segnali di forte instabilità del sistema. In tali condizioni di funzionamento, allo stato attuale, la AAKR non è efficace e determina un numero molto elevato di falsi positivi.

Attività

Principal Component Analysis, PCA

L’analisi dei componenti principali è una tecnica di analisi statistica multi­variata che consiste nella costruzione di un modello a partire dagli auto­valori e autovettori della matrice di covarianza dei dati da analizzare. La riduzione della dimensione dei dati è ottenuta eliminando gli autovettori (o componenti principali) associati a quelli con autovalori più bassi. Questo richiede, in base ai campionamenti delle grandezze disponibili: studio delle correlazioni tra le variabili; calcolo della matrice della covarianza a partire da quella contenente i dati standardizzati ed eliminazione dei componenti principali con autovalori minori.

Auto Associative Kernel Regression, AAKR

E’ una tecnica che si compone di due fasi suc­cessive. Nella prima, tramite un meccanismo simile al “machine Learning” che è in grado di riconoscere diversi stati di funzionamento, ven­gono usati i dati storici di funzionamento per processare le letture fornite e calcolarne i residui rispetto a una condizione di funzionamento ot­timale. Nella seconda è svolto un test d’ipotesi per verificare se le letture corrispondono a un funzionamento normale o anomalo. Le soglie di questo test d’ipotesi vengono in un primo mo­mento fissate in base ai tassi α e β, che indicano i falsi positivi e i falsi negativi che si è disposti a tollerare. In seguito possono essere affinate in base ai dati raccolti nel tempo.

Quanto sopra richiede, in estrema sintesi:

analisi dei dati e costruzione del modello di riferimento per il motore sulla base del cam­pione di dati disponibile;

definizione dei codici di calcolo e verifica del­la robustezza e dell’accuratezza del modello sulla base della storia manutentiva del mo­tore;

analisi dei risultati per l’individuazione pre­ventiva di eventuali condizioni di funziona­mento non ottimali e/o di guasti dei compo­nenti del sistema iniezione del motore;

Clustering dei dati con etichette temporali re­lative ai pattern precedenti il guasto.

Verifica e validazione

Analisi puntuale delle correlazioni con le devia­zioni e gli eventi di guasto registrati per verificar­ne l’efficacia: in altri termini si verifica se, sulla base della storia operativa del sistema, alcuni guasti e/o alcune condizioni di funzionamento degradate avrebbero potuto essere previsti e, di conseguenza, evitati con opportuni interventi di manutenzione.

La figura 1 “PCA temperature gas/Potenza, pe­riodo gennaio – settembre” riporta quanto otte­nuto con la PCA.

La serie di figure “AAKR periodo marzo” ripor­ta esemplificativamente quanto ottenuto con la AAKR nel mese di marzo.

Allo stato attuale sono in corso di svolgimento attività di ottimizzazione delle soglie di attivazione della notifica all’operatore finalizzate all’attivazio­ne di un “Warning” che si potrebbe attivare in due situazioni diverse:

Caso 1: individuazione preventiva di problemi su una singola linea.

Caso 2: indicazione preventiva del possibile manifestarsi del guasto in un certo intervallo di tempo successivo a quello considerato.

Nel Caso 1, lavorando sui dati misurati e relativi trend, ad oggi, il supporto all’operatore può esse­re fornito in due modi distinti:

identificazione di velocità di variazione del gradiente (entro un certo intervallo di con­fidenza) per supportare la localizzazione del problema (valvola iniezione o pompa olio combustibile) in modo da ridurne i tempi di manutenzione e/o da evitare interventi multi­pli a breve distanza.

Identificazione della presenza simultanea di più trend anomali su linee diverse all’atto di un intervento di manutenzione al fine di evita­re interventi successivi in tempi brevi.

Nel Caso 2, in prima battuta, è necessario defini­re due limiti (inferiore e superiore) cui associare una certa probabilità di:

raggiungere una certa temperatura (tempe­ratura eccessiva e successiva possibilità di Shutdown motore per intervento delle prote­zioni di alta temperatura);

di scendere al di sotto di una certa temperatura (sinonimo di guasto, a regime): questo secon­do caso è, allo stato attuale, quello prioritario.

Il raggiungimento di una delle due soglie si tra­durrebbe in un warning per il supervisore per la/le linea/e considerata/e. Questo warning po­trebbe essere utilizzato per supportare le scelte manutentive sulla base della probabilità di non avere guasti (i.e. di non raggiungere gli estremi di temperatura corrispondenti alla condizione di “guasto”, vedi sotto) entro un certo intervallo di tempo e permetterebbe di individuare su qua­li componenti intervenire durante interventi di manutenzione programmata per evitare ulteriori fermate sia per:

ripristinare alcuni dei componenti del sistema iniezione (ad esempio, pulizia valvole iniezio­ne);

sostituire i componenti che presentano con­dizioni di guasto incipiente.

Quanto sopra richiede che gli strumenti IT siano tali da attivare il warning:

lavorando in tempo reale sui dati calcolati del gradiente di variazione della temperatura a parità di potenza (o per intervalli di potenza confrontabili in assenza di transitori – lavaggi, riduzione della potenza per problematiche sul riduttore catalitico o per scelte produttive).

Confrontando automaticamente, ma non in tempo reale, all’atto di un in­tervento di manutenzione i trend di variazione delle diverse linee a parità di potenza (o per intervalli di potenza confrontabili in assenza di transitori – lavaggi, riduzione della potenza per problematiche sul riduttore catalitico o per scelte produttive) ed individuando quelle da ispezionare sulla base dell’identificazione di pattern standard (entro un certo intervallo di confi­denza).

Conclusioni

Sulla base dello studio e dei modelli sviluppati sono emerse le seguenti raccomandazioni e sono in fase di realizzazione le attività legate alla loro applicazione.

Sono state proposte delle modifiche del piano manutentivo in essere in senso predittivo al fine di supportare le azioni manutentive e la loro pianifi­cazione tramite i modelli di cui sopra; nello specifico:

eliminazione degli interventi di sostituzione programmati con interventi su condizione a seguito di individuazione preventiva di problemi su una singola linea,

formazione dei manutentori per l’identificazione della presenza simul­tanea di più trend anomali su linee diverse all’atto di un intervento di manutenzione al fine di evitare interventi successivi sullo stesso com­ponente e/o su componenti di linee diverse in tempi brevi.

Sono, inoltre, attualmente in corso:

l’affinamento della stima della probabilità di vita utile residua dei com­ponenti a supporto delle scelte manutentive per aumentare l’efficacia delle strategie manutentive in essere in relazione ai componenti del sistema iniezione (individuazione dei componenti sui quali intervenire perché presentano condizioni di guasto incipiente).

Lo sviluppo di strumenti SW finalizzati a: assicurare la completezza delle informazioni e la loro raccolta con gli appositi strumenti da parte del Personale Tecnico di tutte le ditte coinvolte; valutare puntualmente le modalità di guasto riscontrate sia sui componenti nuovi sia su quelli revisionati.

Interventi di controllo qualità in fase di produzione, stoccaggio e tra­sporto della qualità degli olii combustibili basati sulla raccolta ed il moni­toraggio dei dati relativi ai lotti di produzione degli olii combustibili utiliz­zati per verificarne la rispondenza alle specifiche definite con apposita scheda tecnica.

 

Paolo Tarasco, Partner, MT3

Graziano Perotti, Referente Area “Competenze in Manutenzione”, CTS Manutenzione T&M; Direttore Master in manutenzione e gestione degli asset, Festo Academy

Pubblicato il Febbraio 8, 2019 - (15 views)
Articoli correlati
Pruftechnik annuncia la vendita dell’azienda a Fluke Corporation
Schaeffler rende pubblici i risultati del primo trimestre
Mattei festeggia i primi cento anni di attività
Valvole pneumatiche con Industrial Ethernet
Il sito di Ct Meca diventa mobile friendly
Continua l'ampliamento del catalogo Conrad
MaintenanceStories 2019, un'edizione da record
La divisione IPDE di Parker ottiene una certificazione IATF
Energy 2019, record di partecipanti per la sesta edizione
Una manutenzione sempre più #digital e orientata al 4.0
Utensili per l'industria
Sensori radar
Giraviti
Giravite torsiometrico elettromeccanico
Software per la manutenzione
Servizio per impianti industriali
Pompe per superficie o profondità
Sistema di allineamento ottico
Strumenti personalizzati per la misura
Dynamic Motor Analyzer
Sistema di allineamento ottico
Dynamic Motor Analyzer
Encoder con interfaccia IO-Link
SMARTCOLLECT PM10, PM20 E PM30
LINAX PQ3000
Monitoraggio totale della qualità della tensione e dei consumi elettrici
SECULIFE HIT AM
Multimetro digitale per la verifica dei motori elettrici
Misuratore d'isolamento METRISO PRIME10
WI-CARE: il sensore per l'analisi spettrale online
Encoder con interfaccia IO-Link
E-Mobility, apparecchiature per la verifica delle stazioni di ricarica per veicoli elettrici
WI-CARE: il sensore per l'analisi spettrale online
Centraline idrauliche modulari
Misurazione smart dei parametri ambientali
Videoscopio diagnostico con tecnologia Up-is-Up
Sistemi motorfeedback rotativi
Laboratorio portatile
Lucchetti lockout/tagout
Granulo abrasivo