Hướng dẫn ứng dụng bảo trì tiên đoán dựa trên công nghệ IoT

Trong nhiều năm, các nhà sản xuất đã áp dụng phương pháp tiếp cận dựa trên thời gian (Time-based Maintenance)  để bảo trì thiết bị. Họ đã sử dụng cách lấy tuổi thọ của máy móc như các yếu tố để lập kế hoạch thường xuyên bảo trì. Thiết bị càng cũ thì cần phải thực hiện các quy trình bảo trì thường xuyên hơn. Tuy nhiên các nghiên cứu của nhóm ARC-Research cho thấy rằng trên toàn thế giới, chỉ có 18% số thiết bị đã thất bại do tuổi của nó, trong khi 82% thất bại xảy ra một cách ngẫu nhiên. Nó chứng minh rằng một cách tiếp cận dựa trên thời gian không hiệu quả về chi phí – một phần của thiết bị được duy trì bất kể nhu cầu thực tế.

Để tránh thói quen bảo trì không hiệu quả và chi phí đi kèm, các nhà sản xuất có thể áp dụng IoT công nghiệp (IIoT ) và khoa học dữ liệu . Trong bài viết này, chúng tôi sẽ giải thích cách bảo trì dự đoán dựa trên IoT giúp tối ưu hóa quy trình sản xuất.

Tại sao phải cần có IoT ?

Bạn có thể tự hỏi: tại sao tôi nên triển khai một giải pháp IIoT nếu có SCADA cũ tốt để duy trì các hoạt động bảo trì? Chúng ta hãy cùng xem xét.

Bảo trì dự đoán đòi hỏi khả năng xử lý lượng lớn dữ liệu và chạy các thuật toán tinh vi, điều không thể đạt được khi triển khai cục bộ trong SCADA hoặc DCS.Mặt khác, một giải pháp dựa trên IoT cho phép lưu trữ hàng terabyte dữ liệu và chạy các thuật toán Machine Learning trên một số máy tính để dự báo các mối nguy tiềm ẩn và xác định chính xác khi thiết bị công nghiệp có khả năng bị lỗi. Các hệ thống SCADA truyền thống có khả năng thu thập và ghi nhận dữ liệu giống chức năng hệ thống IoT, tuy nhiên sức mạnh về tính toán và lưu trữ để làm các công việc Dự đoán là hoàn toàn không thể nếu so với mô hình điện toán đám mây.

Đối với một giải pháp bảo trì dự đoán dựa trên IoT mạnh mẽ, kiến ​​trúc kết nối xuyên suốt là điều bắt buộc.

Chúng ta hãy xem các thành phần nào làm cho bảo trì dự đoán hoạt động và cách chúng hợp tác với nhau được minh họa bằng ví dụ về giải pháp IIoT dự đoán tuổi thọ của pin công nghiệp.

Một kiến ​​trúc bảo trì dự đoán dựa trên IoT

Trước khi đi vào chi tiết kỹ thuật, điều quan trọng là xác định các biến số chính xác định sức khỏe của pin. Chúng là nhiệt độ, điện áp và phóng điện. Khi các biến được xác định, pin được trang bị cảm biến để thu thập dữ liệu về các tham số này và chuyển tiếp nó lên đám mây để xử lý.

Dữ liệu cảm biến không thể truyền trực tiếp lên đám mây – nó đi qua các cổng Gateways. Field gateways là các thiết bị vật lý lọc và xử lý trước dữ liệu. Một cổng đám mây (Cloud Hubs) sẽ đảm bảo truyền dữ liệu an toàn và cung cấp khả năng kết nối qua giao thức khác nhau, cho phép kết nối nhiều loại Gateways khác nhau.

Khi dữ liệu cảm biến đi vào phần đám mây, nó sẽ hạ cánh trên bộ xử lý dữ liệu trực tuyến – streaming data processor . Mục đích của nó là cho phép luồng dữ liệu liên tục và truyền các luồng dữ liệu nhanh chóng và hiệu quả đến một kho lưu trữ dữ liệu – một hồ dữ liệu (Data lake)

Hồ Dữ Liệu – (Data lake) lưu trữ dữ liệu được thu thập bởi các cảm biến. Nó vẫn còn nguyên, vì vậy nó có thể không chính xác, sai sót hoặc chứa các mục không liên quan. Nó được trình bày dưới dạng một số bộ đọc cảm biến được đo tại thời điểm tương ứng. Khi dữ liệu cần thiết để hiểu rõ về sức khỏe của pin, nó sẽ được tải vào kho dữ liệu lớn.

Các kho dữ liệu lớn lưu trữ dữ liệu có cấu trúc. Nó chứa các thông số nhiệt độ, điện áp và phóng điện được đo tại một thời điểm cụ thể và thông tin theo ngữ cảnh về loại, vị trí, ngày sạc, v.v. ( Kịch bản lưu trữ này dựa theo kiến thức của các chuyên gia ngành)

Kiến trúc bảo trì dự đoán IoT

Sau khi dữ liệu được chuẩn bị, nó  sẽ được phân tích với các thuật toán Machine Learning (ML) . Các thuật toán ML được áp dụng để tiết lộ các mối tương quan ẩn trong các tập dữ liệu và phát hiện các mẫu dữ liệu bất thường. Các mẫu dữ liệu được công nhận được phản ánh trong các mô hình dự đoán.

Các mô hình dự đoán được chế tạo, huấn luyện và sau đó được sử dụng để xác định xem liệu tự xả có xảy ra trong pin hay không, xác định pin có dung lượng thấp hơn bình thường hoặc ước tính tuổi thọ hữu ích của pin. Các mô hình dự đoán được sử dụng để bảo trì dự đoán pin công nghiệp được xây dựng dựa trên hai phương pháp:

  • Phương pháp phân loại – Classification approach  các mô hình được xây dựng theo phương pháp này xác định xem pin có khả năng tự xả hay không và hiển thị nếu dung lượng của pin thấp hơn bình thường hay không.
  • Phương pháp hồi quy – Regression approach  các mô hình cung cấp thông tin về số ngày / chu kỳ còn lại cho đến khi hết tuổi thọ của pin.

Các mô hình dự đoán được cập nhật thường xuyên, giả sử, mỗi tháng một lần và được kiểm tra độ chính xác. Nếu đầu ra khác với dự kiến, chúng sẽ được sửa đổi, đào tạo lại và kiểm tra lại cho đến khi chúng hoạt động như dự định.

Trước khi bắt đầu Machine Learning, hệ thống cần thực hiện một số lượng lớn các phân tích khám phá – exploratory analytics  . Phân tích dữ liệu được thực hiện để tìm ra sự phụ thuộc và khám phá các mẫu và hiểu biết sâu sắc trong bộ dữ liệu Machine Learning. Hơn nữa, trong giai đoạn phân tích khám phá, các giả định kỹ thuật khác nhau được đánh giá để giúp chọn thuật toán Machine Learning phù hợp nhất.

Các ứng dụng người dùngUser Applications : cho phép một giải pháp bảo trì dự đoán dựa trên IoT để cảnh báo người dùng về sự cố pin tiềm ẩn.

Mặc dù không liên quan đến vỏ pin, kiến ​​trúc bảo trì dự đoán có thể bao gồm các thành phần bổ sung, chẳng hạn như  bộ truyền động  và  ứng dụng điều khiển . Dựa trên kết quả dự đoán, các ứng dụng điều khiển có thể được thiết lập để gửi lệnh đến bộ truyền động của thiết bị. Chẳng hạn, nếu nhiệt độ của động cơ tăng đến điểm tới hạn, các ứng dụng điều khiển có thể gửi lệnh để đặt máy ở chế độ hạ nhiệt. Ngoài ra, các ứng dụng điều khiển có thể được tích hợp với các hệ thống bảo trì.

Bảo trì tiên đoán theo ngành

Các thành phần kiến ​​trúc phổ quát này được sử dụng để xây dựng các giải pháp bảo trì dự đoán cho các công nghiệp khác nhau. Dưới đây, chúng tôi liệt kê các ứng dụng bảo trì dự đoán có thể và cung cấp các ví dụ về các nhà sản xuất đã triển khai các giải pháp bảo trì dự đoán dựa trên IoT.

Sản xuất rời rạc (Discrete)

Các nhà sản xuất rời rạc lớn đang sử dụng bảo trì dự đoán dựa trên IoT để theo dõi, ví dụ, sức khỏe của trục chính trong máy phay. Họ dễ bị phá vỡ, trong khi sửa chữa của họ là đắt tiền. Một giải pháp bảo trì dự đoán dựa trên IoT có thể giúp dự đoán thiệt hại tiềm tàng bằng cách thu thập dữ liệu từ các cảm biến siêu âm và rung được gắn vào trục chính. Phân tích dữ liệu thu thập giúp xác định các trục chính dễ vỡ trước khi chúng bị hỏng.

 

Ví dụ, nhóm Volvo đã triển khai một giải pháp bảo trì dự đoán dựa trên IoT để dự đoán các hư hỏng trục chính cũng như xác địnhcác vết nứt và nứt của thiết bị quay, bánh răng và các khuyết tật của động cơ. Do đó, họ đã cải thiện OEE bằng cách giảm thời gian chẩn đoán tới 70% và thời gian sửa chữa – hơn 20%.

Sản xuất quy trình (Process)

Trong quá trình sản xuất, các công ty chế biến bột giấy và sản xuất giấy tận dụng IIoT để theo dõi tình trạng của máy làm giấy. Ví dụ, Maastricht Mill đã trang bị cho các cuộn báo chí của họ các cảm biến nhiệt độ và độ rung và đưa ra giải pháp bảo trì dự đoán dựa trên đám mây để dự đoán thiệt hại của vòng bi và bánh răng.

1 ứng dụng bảo trì tiên đoán dựa trên IoT cho sản xuất dạng quy trình

Một ví dụ khác là ngành thép. Các nhà máy thép có nhiều lò sử dụng tấm làm mát nước để kiểm soát nhiệt độ. Rò rỉ trong các tấm có thể gây ra vấn đề an toàn và thiệt hại sản xuất. Một giải pháp bảo trì dự đoán dựa trên IoT có thể giúp phát hiện sự bất thường và thực hiện phân tích nguyên nhân gốc rễ, ngăn ngừa sự chậm trễ trong sản xuất và lỗi thiết bị.

Dầu khí

Các công ty dầu khí đặc biệt được hưởng lợi từ việc áp dụng các giải pháp bảo trì dự đoán. Kiểm tra vật lý thiết bị sản xuất dầu khí đòi hỏi nhân viên phải vào môi trường nguy hiểm để kiểm tra thiết bị, trong một số trường hợp là không khả thi. Bảo trì dự đoán dựa trên IoT cho phép các công ty dầu khí xác định các thất bại tiềm ẩn và tăng sản xuất các tài sản rất quan trọng.

Ví dụ, Chevron đã chuyển sang phát triển IoT để đưa ra giải pháp bảo trì dự đoán giúp xác định sự ăn mòn và thiệt hại đường ống. Giải pháp sử dụng các cảm biến được lắp đặt trên đường ống để đo pH, hàm lượng CO2 / H2S dạng khí và nước, cũng như đường kính và độ dày bên trong của đường ống. Giải pháp lấy dữ liệu cảm biến thời gian thực và chuyển nó vào đám mây để đánh giá, phân tích và dự đoán.

Dầu khí
Phân tích IoT hỗ trợ bảo trì tiên đoán cho các công ty dầu khí

Cũng như Bộ Năng lượng Hoa Kỳ đã tuyên bố , đối với các công ty dầu khí, thực hiện kết quả bảo trì dự đoán trong việc giảm 30% chi phí bảo trì, loại bỏ 70% sự cố và giảm 40% thời gian chết.

Ngành công nghiệp điện

Các nhà máy điện phải đảm bảo cung cấp điện đáng tin cậy, đặc biệt, trong thời kỳ nhu cầu cao nhất. Một giải pháp bảo trì dựa trên IoT có thể giúp đảm bảo việc phát điện liên tục và phát hiện các lỗ hổng phát triển trong các bộ phận quay của tuabin khí / gió / hơi nước. Vì thế, một tuabin được trang bị cảm biến rung. Dữ liệu được thu thập bởi các cảm biến được chuyển tiếp lên đám mây và chạy qua các thuật toán ML để xác định cách mỗi tuabin hoạt động. Ví dụ, Florida Power & Light đã chuyển sang phát triển IoT để triển khai một giải pháp bảo trì dự đoán , ước tính khi các tuabin hoạt động không hiệu quả hoặc sắp hỏng.

Ngành đường sắt

Các công ty đường sắt áp dụng bảo trì dự đoán dựa trên IoT để đảm bảo đường ray và đầu máy toa xe ở trong tình trạng thích hợp. Ví dụ, đường sắt BNSF đã triển khai máy dò lực, camera tầm nhìn, cảm biến hồng ngoại và âm thanh để xác định các khiếm khuyết về khả năng phanh xe chở hàng, ma sát quá mức ở bánh xe và vòng bi, đường cong đường ray và hư hỏng đường thẳng. Dữ liệu được thu thập bởi các cảm biến được chuyển tiếp lên đám mây để phân tích và chạy qua các thuật toán ML để tiết lộ các mẫu dữ liệu không lành mạnh dẫn đến phá vỡ hệ thống. Giải pháp giúp cải thiện độ an toàn, độ tin cậy và vận tốc của đầu máy toa xe, cũng như giảm sự chậm trễ của tàu do trục trặc thiết bị.

Đường sắt

Kết luận

Theo báo cáo của McKinsey , bảo trì tiên đoán dựa trên IoT giúp kéo dài tuổi thọ của thiết bị, giúp loại bỏ tới 30% thói quen bảo trì dựa trên thời gian và giảm 50% thời gian ngừng hoạt động của thiết bị. Tuy nhiên, đối với một giải pháp bảo trì dự đoán đầy đủ ổn định và đáng tin cậy, có một kiến ​​trúc có suy nghĩ tập trung vào Machine Learning là rất quan trọng.

Đăng ký để nhận tin từ chúng tôi.
Đăng ký để nhận được những thông tin mới nhất giúp ích cho việc số hóa sản xuất và chuỗi cung ứng của bạn.
Bạn có thể hủy bỏ đăng ký khi cảm thấy thông tin không phù hợp