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 - (75 views)
Articoli correlati
Motion Amplification, Webinar gratuito il 27 novembre
Maschi per filettatura di fori ciechi e passanti
Sabbiatrice da banco professionale
Soluzione integrata di armadi modulari e condizionatori
Filtri per i sistemi dei convertitori statici di corrente
Unità campo compatta per l’analisi dell’acqua
Frese integrali per micro lavorazioni
Martin Fischer entra a far parte del Consiglio di Amministrazione di ZF
Weerg con Norblast per le lavorazioni di Additive Manufacturing
Servomech festeggia il trentennale con un nuovo sito web
Automation & Testing 2020
Analisi vibrazioni
Sistema di gestione veicoli
Monitoraggio di temperatura e gas
Sistemi oleodinamici smart
Soluzione per condition monitoring
Manutenzione oleodinamica sostenibile
Process instrumentation
Pompe multistadio, in ghisa e a cassa divisa
Misuratore di isolamento e multimetro
Maschi per filettatura di fori ciechi e passanti
Sabbiatrice da banco professionale
Stroboscopi portatili
Alimentatori da banco a uscita singola e doppia
Termocamera per diagnostica industriale
Centro di tornitura robotizzato
Termoplastiche FDM per applicazioni di stampa 3D
Gamma SMART TEMP, apparecchi di riscaldamento ad induzione
Soluzione per condition monitoring
Misuratore di isolamento e multimetro
Motion Amplification, Webinar gratuito il 27 novembre
Maschi per filettatura di fori ciechi e passanti
NTN-SNR: gamma di cuscinetti radiali rigidi a sfere NTN, 
in versione migliorata con gioco interno CM
SRB ZZ KIZEI®: La nuova ed esclusiva gamma di cuscinetti orientabili a rulli
Soluzioni NTN-SNR per il mercato dell’agroalimentare
NTN-SNR e il mercato europeo dell’industria siderurgica
Gamma SMART TEMP, apparecchi di riscaldamento ad induzione
Cassetta porta utensili con sgabello
Soluzione per condition monitoring
Stanley lancia gamma di utensileria meccanica