Manutenzione predittiva avanzata sulle macchine

  Richiedi informazioni / contattami

Un caso pratico di Machine Learning in Sarlux

In Sarlux, è in fase avanzata il progetto denominato “grandi macchine” che si prefigge di avere entro la fine del 2019 il monitoraggio in continuo di 50 grandi macchine della raffineria attraverso strumenti di Machine Learning
In Sarlux, è in fase avanzata il progetto denominato “grandi macchine” che si prefigge di avere entro la fine del 2019 il monitoraggio in continuo di 50 grandi macchine della raffineria attraverso strumenti di Machine Learning
I nuovi sistemi avranno tanto più successo quanto maggiore sarà la capacità dei nuovi ingegneri di manutenzione di conoscere la storia manutentiva delle macchine e le stesse macchine
I nuovi sistemi avranno tanto più successo quanto maggiore sarà la capacità dei nuovi ingegneri di manutenzione di conoscere la storia manutentiva delle macchine e le stesse macchine

Introduzione

Negli ultimi anni la tecnologia ha messo a disposizione dei tecnici che si occupano di affidabilità degli impianti industriali nuovi e potenti strumenti di analisi che hanno evidenziato come nell’ambito manutentivo dall’analisi predittiva è possibile spingersi nel breve/medio periodo verso l’analisi prognostica.

Dal punto di vista dell’affidabilità questo significa passare da un’analisi di parametri che identificano l’insorgere di una anomalia e determinano il tempo residuo prima del guasto ad un’analisi complessa sui parametri di processo in condizioni di normale operatività che possono indicare le condizioni di insorgenza di un guasto e conseguentemente definire la vita residua della macchina.

Gli strumenti oggi disponibili per questo passaggio sono:

Sensori capaci di campionare con frequenze sempre maggiori i parametri da monitorare e trasmettere i dati su bande sempre più ampie, caratterizzati fondamentalmente da elettroniche più affidabili ed economiche.

Realizzazione di infrastrutture per la trasmissione dei dati a costi ridottissimi rispetto al passato soprattutto in impianti industriali ad alta complessità e con una prevalenza di aree classificate.

Disponibilità di computer capaci di immagazzinare e gestire quantità di dati crescenti con velocità esponenziali: i big data.

Programmi di elaborazione dei big data cheoltre agli algoritmi di elaborazione analitica dei dati sono in grado di “impararne” il comportamento nel tempo ed in correlazione con altri dati: le Machine Learning.

Il progetto DPMC

La società Sarlux al presentarsi delle nuove opportunità tecnologica ha intrapreso una immediata azione di innovamento in tutti gli ambiti in cui le nuove tecnologie potevano essere applicate tra cui le tecnologie di affidabilità. In quest’ottica è stata rivista la stessa organizzazione manutentiva che ha visto la nascita di un centro di eccellenza denominato Digital PredictiveMaintenance Center (DPMC) all’interno della struttura di tecnologie dell’affidabilità. Al DPMC è stato affidato il compito di studiare, attuare e gestire i progetti di prognostica che la Raffineria Sarlux ha programmato di attuare nei diversi ambiti e specialità della manutenzione da quella elettrica a quella meccanica fino a quella più complessa delle macchine a fluido.

Tra questi è in fase già avanzata il progetto denominato “grandi macchine” che si prefigge di avere entro la fine di questo anno il monitoraggio in continuo di 50 grandi macchine della Raffineria attraverso strumenti di Machine Learning.

Il software scelto per le attività di monitoraggio attraverso il machine learnig è Mtell di Aspentech. Da una prima fase di individuazione delle macchine da monitorare si è passati alla suddivisione delle stesse in tre gruppi da implementare e configurare all’interno di Mtell in fasi successive. L’attività di implementazione consiste nel creare i modelli virtuali di ciascuna macchina e successivamente monitorarla in modo da addestrare il software sul comportamento in condizioni operative normali, transitorie ed anomale delle macchine, “insegnando” al software come riconoscere le diverse condizioni.

Questa appena descritta è la fase più importante per la miglior implementazione possibile delle macchine nel sistema di Machine Learning in quanto richiede una puntuale e precisa ricostruzione del “passato” delle macchine sia nelle sue normali fasi operative sia nelle sue fasi di anomalie e manutenzioni. Inoltre per ogni nuovo evento che si registra con i parametri della macchina, è necessario far riconoscere allo stesso modello il tipo di anomalia e il tipo di condizione che l’ha generata.

Tra le macchine del primo gruppo è stato implementato il compressore di idrogeno denominato C202N. e caratteristiche tecniche di questa macchina sono:

  • 300 kNm³/h di portata nominale;
  • 104 bar in aspirazione;
  • 135 bar in mandata;
  • 95°C di temperatura di esercizio.

In dettaglio la macchina ha un sistema di tenute triplo dove la tenuta primaria ad Idrogeno è alimentata dalla mandata del compressore mentre la tenuta secondaria e quella terziaria sono bufferizzate in azoto. Lo scarico della tenuta primaria è monitorato attraverso dei pressostati su entrambi i lati della macchina.

Durante le fasi di monitoraggio delle macchine è stato segnalato dal sistema un alert che identificava un comportamento anomalo dell’agent probability trend, ovvero le probabilità di fault della macchina venivano incrementate dal 10% al 14%.

L’alert ha immediatamente avviato l’attività di analisi del gruppo DPMC che individuava nel filtro del gas H2, che pressurizza la tenuta primaria, l’origine dell’anomalia.

In particolare nella strumentazione del filtro si leggeva un aumento di caduta di pressione. Le ulteriori verifiche e ricostruzioni operative fatte sulla macchina hanno evidenziato che il cattivo funzionamento del filtro per ben 2 volte aveva determinato la rottura delle tenute e il conseguente blocco del compressore e dell’impianto alimentato dallo stesso.

Effettuata una immediata verifica sulla corretta misura del pressostato posto sul filtro per la lettura del DP, si è chiesto alla struttura operativa della raffineria di procedere immediatamente alla sostituzione del filtro che incominciava a perdere le sue caratteristiche.

Al termine dell’operazione il trend dell’agent rivelatore del principio del problema rientrava sui valori di normale operatività.

L’evento delle tenute C202N ha evidenziato come un’anomalia della fase gas sia una criticità in quanto il degrado del flussaggio delle tenute del compressore pregiudica l’integrità della macchina.

Senza un costante monitoraggio sui parametri di normale operatività della macchina il sistema rischia di andare in crisi provocando danneggiamenti importanti sia alle tenute, sia alla macchina come dimostrano i failure avvenuti in passato.

L’evento in esame evidenzia il delicato equilibrio del sistema gas tenute del compressore e quanto sia importante agire con largo anticipo l’insorgere di anomalie del sistema e quindi prevenire effetti di magnitudo superiore.

Conclusioni

In Sarlux, il cambiamento verso cui ci si muove non è solo di carattere tecnologico ma molto più profondo.

Stanno cambiando le caratteristiche dell’ingegnere di manutenzione che deve sommare alle sue caratteristiche classiche la capacità di usare i nuovi sistemi di Machine Learning di predittiva avanzata partecipando alla costruzione dei modelli che devono essere costruiti su ciascuna macchina. I nuovi sistemi avranno tanto più successo quanto maggiore sarà la capacità dei nuovi ingegneri di manutenzione di conoscere la storia manutentiva delle macchine e le stesse macchine coniugando queste conoscenze tecniche classiche con le nuove frontiere della tecnologia digital.

 

Michele Vaquer, Ingegnere delle tecnologie di affidabilità del Digital Predictive Maintenance Center, Sarlux

Candido Tiddia, Ingegnere delle tecnologie di affidabilità del Digital Predictive Maintenance Center, Sarlux

Maurizio Melis, Ingegnere delle tecnologie di affidabilità del Digital Predictive Maintenance Center, Sarlux

Pubblicato il Agosto 8, 2019 - (23 views)
Articoli correlati
Schaeffler e Cina firmano accordo d’investimento per promuovere la guida autonoma
Utensileria per l'Asset Integrity Management
Oscilloscopi con larghezze di banda fino a 1 GHz
Delimitatore pedonale per la sicurezza nei luoghi di lavoro
Depositi di olio, un problema per l’industria cartaria
Tecnologia all’avanguardia per l’acquisizione vibrazionale
“Webfleet Solutions” è la divisione telematica di Bridgestone nata con l’acquisizione di TomTom Telematics
Allineamento delle turbine a gas in meno di un'ora
Soluzioni per Edge Computing
Il progetto europeo IoTwins verrà coordinato da Bonfiglioli
Test per veicoli elettrici
Soluzioni per bloccaggio
Iniettori di lubrificazione
Fiera della ferramenta
Giravite con impugnatura trimateriale
Trasmettitori e sensori IoT
Valvole industriali
Elettropompe in acciaio duplex
Disco ad alta velocità
Serbatoio per il collaudo di solette
Oscilloscopi con larghezze di banda fino a 1 GHz
Avvitatore pneumatico con carter in lega di magnesio
Soluzioni PROFIBUS e PROFINET per migliorare l'affidabilità degli impianti
PAS13 di A-SAFE - Personale al sicuro
Sensor hub
Granulo abrasivo a triangolo
Scaricatore di condensa
Misuratore per impianti di climatizzazione
Filtro smontabile
Strumento per misurazione livelli acqua
Piattaforma a zero emissioni
Avvitatore pneumatico con carter in lega di magnesio
PAS13 di A-SAFE - Personale al sicuro
Timer di ispezione
Indumenti da lavoro MEWA Dynamic
CI di rilevamento tensione
Sensor hub
Sensore ottico digitale per la misura di ossigeno
Sensore per motori a bassa tensione
Strumento per il controllo di tenuta impianti