¿Qué algoritmo se utiliza en el mantenimiento predictivo?

El mantenimiento predictivo permite a los usuarios y fabricantes de equipos evaluar el funcionamiento condición de la maquinaria, diagnosticar fallas, o estimar cuando el siguiente fallo del equipo es probable que ocurra. Cuando se puede diagnosticar o predecir fallos, se puede planificar el mantenimiento en avanzar, gestionar mejor el inventario, reducir el tiempo de inactividad y aumentar la eficiencia operativa.

El desarrollo de un programa de mantenimiento predictivo requiere una estrategia bien diseñada para evaluar el estado de funcionamiento de la máquina y detectar fallos incipientes en el momento oportuno - No, no, no, no, no, no, no, no, no, no, no, no, no, no, no, no, no, no, no, no, no, no, no, no, no, no, no, no, no, no, no, no, no, no, no, no, no, no, no, no, no, no, no, no, no, no, no, no, no. Para ello se requiere un uso eficaz tanto de las mediciones de sensores disponibles como de su conocimiento del sistema. Debes tener en cuenta muchos factores, incluyendo:

Las fuentes observadas de fallas y su frecuencia relativa. Tales fuentes pueden ser los componentes centrales de la máquina (como las cuchillas de impulsor y las válvulas de flujo) en una bomba), sus actuadores (como un motor eléctrico), o sus diversos sensores (como acelerómetros y medidores de flujo).

Disponibilidad de mediciones de proceso a través de sensores. El número, el tipo y la ubicación de los sensores, y su fiabilidad y redundancias afectan a ambos desarrollo de algoritmos y costes.

Cómo varias fuentes de fallas se traducen en síntomas observados. Semejante análisis de causa-efecto puede requerir un tratamiento extenso de los datos de la sensores disponibles.

Conocimiento físico sobre la dinámica del sistema. Este conocimiento podría venir de modelado matemático del sistema y sus fallas y de las percepciones de expertos en dominios. Entender la dinámica del sistema implica un conocimiento detallado de relaciones entre las diversas señales de la maquinaria (como input-output relaciones entre los actuadores y sensores), el rango de funcionamiento de la máquina, y la naturaleza de las mediciones (por ejemplo, periódica, constante o estocástico).

El objetivo último de mantenimiento, como la recuperación de fallas o el desarrollo de un programa de mantenimiento.

Algoritmos para monitoreo de condiciones y pronósticos

Un programa de mantenimiento predictivo utiliza monitorización de condiciones y pronósticos algoritmos para analizar los datos medidos desde el sistema en funcionamiento.

Vigilancia de las condiciones utiliza datos de una máquina para evaluar su condición actual y para detectar y diagnosticar fallas en la máquina. Los datos de la máquina son datos tales como mediciones de temperatura, presión, tensión, ruido o vibración, recogida utilizando sensores dedicados. Un algoritmo de monitoreo de condición deriva métricas a partir de los datos llamados indicadores de condición. A afección indicador es cualquier característica de los datos del sistema cuyo comportamiento cambia en un de manera predecible a medida que el sistema se degrada. Un indicador de condición puede ser cualquier cantidad derivados de los datos que agrupan estado similar del sistema juntos, y conjuntos diferente estado aparte. Por lo tanto, un algoritmo de monitorización de condiciones puede realizar fallas detección o diagnóstico mediante la comparación de nuevos datos con los marcadores establecidos de condiciones deficientes.

Pronósticos está pronosticando cuando un fallo ocurrirá basado en en el estado actual y pasado de la máquina. Un algoritmo pronóstico típicamente estima la máquina vida útil restante (RUL) o tiempo de fallo mediante el análisis del estado actual de la máquina. Los pronósticos pueden usar el modelado, el aprendizaje automático, o una combinación de ambos para predecir los valores futuros de indicadores de condición. Estos valores futuros se utilizan entonces para calcular las métricas RUL, que determinan si y cuándo debe realizarse el mantenimiento. Para la caja de cambios Por ejemplo, un algoritmo de pronóstico podría ajustarse a la frecuencia de vibración de pico variable y magnitud a una serie cronológica para predecir sus valores futuros. El algoritmo puede entonces comparar los valores previstos con un umbral que define el funcionamiento saludable de la caja de cambios, prediciendo si y cuándo ocurrirá una falla.

Un sistema de mantenimiento predictivo implementa pronósticos y monitorización de condiciones algoritmos con otra infraestructura de TI que hace los resultados finales del algoritmo accesible y accesible a los usuarios finales que realicen las tareas de mantenimiento reales. Predictive Maintenance ToolboxTM proporciona herramientas para ayudarle a diseñar tales algoritmos.

Flujos de trabajo para el desarrollo del algoritmo

La siguiente ilustración muestra un flujo de trabajo para desarrollar una predicción algoritmo de mantenimiento.

Comenzando con los datos que describen su sistema en una gama de saludable y defectuoso condiciones, se desarrolla un modelo de detección (para el seguimiento de la condición) o una predicción modelo (para pronósticos). La elaboración de un modelo de este tipo requiere la determinación de los medios adecuados los indicadores de condición y la formación de un modelo para interpretarlos. Ese proceso es muy importante. es probable que sea iterativo, ya que intenta diferentes indicadores de condición y diferente modelos hasta que encuentres el mejor modelo para tu aplicación. Por último, usted despliega el algoritmo e integrarlo en sus sistemas para el monitoreo y mantenimiento de la máquina.

Adquirir datos

El diseño de algoritmos de mantenimiento predictivo comienza con un cuerpo de datos. A menudo tú debe gestionar y procesar grandes conjuntos de datos, incluidos los datos de múltiples sensores y múltiples máquinas que funcionan en diferentes momentos y bajo diferentes funciones condiciones. Usted podría tener acceso a uno o más de los siguientes tipos de datos:

Datos reales del funcionamiento normal del sistema

Datos reales del sistema que funciona en una condición defectuosa

Datos reales de fallos del sistema ( funcionamiento-a-fracaso datos)

Por ejemplo, es posible que tenga datos de sensores de la operación del sistema, tales como temperatura, presión y vibración. Estos datos se suelen almacenar como señal o datos de series temporales. También puede tener datos de texto, como datos de mantenimiento registros, o datos en otras formas. Estos datos se almacenan en archivos, bases de datos, o sistemas de archivos distribuidos como Hadoop ® .

En muchos casos, los datos de fallo de las máquinas no están disponibles, o sólo un limitado número de conjuntos de datos de fallos existen debido al mantenimiento regular que se lleva a cabo y la relativa rareza de tales incidentes. En este caso, se pueden generar datos de fallos de un Simulink ® modelo que representa el funcionamiento del sistema bajo diferentes fallas condiciones.

Herramientas de mantenimiento predictivo proporciona funcionalidad para organizar, etiquetar y acceder a tales herramientas datos almacenados en disco. También proporciona herramientas para facilitar la generación de datos de los modelos Simulink para el desarrollo de algoritmos de mantenimiento predictivo. Para más información información, véase Conjuntos de datos para el monitoreo de condiciones y el mantenimiento predictivo .

Datos previos al proceso

El preprocesamiento de datos es a menudo necesario para convertir los datos en una forma a partir de la cual los indicadores de condición se extraen fácilmente. El preprocesamiento de datos incluye el sencillo técnicas como la eliminación de valores atípicos y perdidos, y el procesamiento avanzado de señales técnicas tales como corto tiempo Fourier transforma y transforma al orden dominio.

Comprender su máquina y el tipo de datos que tiene puede ayudar a determinar qué métodos de preprocesamiento a utilizar. Por ejemplo, si está filtrando vibraciones ruidosas datos, saber qué rango de frecuencia es más probable para mostrar características útiles puede ayudarle a elegir técnicas de preprocesamiento. Del mismo modo, podría ser útil transformar datos de vibración de caja de cambios al dominio de pedido, que se utiliza para rotar máquinas cuando la velocidad de rotación cambia con el tiempo. Sin embargo, ese mismo preprocesamiento no ser útil para los datos de vibración de un chasis de coche, que es un cuerpo rígido.

Identificar los indicadores de condición

Un paso clave en el desarrollo de algoritmos de mantenimiento predictivo es identificar indicadores de condición, características en los datos de su sistema cuyo comportamiento cambia en un de manera predecible a medida que el sistema se degrada. Un indicador de condición puede ser cualquier característica que es útil para distinguir la operación normal de la defectuosa o para predecir la vida útil restante. Un indicador de condición útil agrupa situación similar del sistema juntos, y establece un estatus diferente. Ejemplos de indicadores de condición incluyen: cantidades derivadas de:

Análisis simple, como el valor medio de los datos a lo largo del tiempo

Análisis de señales más complejos, como la frecuencia de la magnitud de pico en un espectro de señales, o en un momento estadístico que describa los cambios espectro con el tiempo

Análisis basado en modelos de los datos, como el valor propio máximo de un modelo espacial de estado que se ha estimado utilizando los datos

Combinación de múltiples características en una sola condición efectiva indicador (fusión)

Por ejemplo, puede monitorear el estado de una caja de cambios utilizando datos de vibración. Los daños a la caja de cambios provocan cambios en la frecuencia y magnitud de la vibraciones. Por lo tanto, la frecuencia máxima y la magnitud máxima son condición útil indicadores, proporcionando información sobre el tipo de vibraciones presentes en el caja de cambios. Para controlar la salud de la caja de cambios, puede analizar continuamente la datos de vibración en el dominio de frecuencia para extraer estos indicadores de condición.

Incluso cuando usted tiene datos reales o simulados que representan una gama de fallas condiciones, es posible que no sepa cómo analizar esos datos para identificar la condición útil indicadores. Los indicadores de condición adecuados para su aplicación dependen de qué tipo del sistema, los datos del sistema, y el conocimiento del sistema que usted tiene. Por lo tanto, la identificación los indicadores de condición pueden requerir algún ensayo y error, y a menudo es iterativo con la fase de formación del flujo de trabajo de desarrollo de algoritmos. Entre las técnicas comúnmente utilizado para extraer indicadores de condición son:

Análisis de pedidos

Análisis de las modalidades

Análisis del espectro

Espectro de sobres

Análisis de fatiga

Análisis de series temporales no lineales

Análisis basado en modelos tales como cálculo residual, estimación de estado, y estimación de parámetros

La caja de herramientas de mantenimiento predictivo complementa la funcionalidad en otras cajas de herramientas como Signal Processing ToolboxTM con funciones para extraer la condición basada en la señal o en el modelo indicadores a partir de datos medidos o generados. Para más información, véase Identificar los indicadores de condición .

Modelo de detección o predicción del tren

En el corazón del algoritmo de mantenimiento predictivo está la detección o modelo de predicción. Este modelo analiza indicadores de condición extraídos para determinar la condición actual del sistema (detección y diagnóstico de fallos) o predecir su condición futura (permaneciendo en la predicción de vida útil).

Detección y diagnóstico de fallas

La detección y el diagnóstico de fallos se basan en el uso de uno o más indicadores de condición valores para distinguir entre funcionamiento saludable y defectuoso, y entre diferentes tipos de fallas. Un modelo simple de detección de fallos es un valor umbral para el indicador de condición que es indicativo de una condición de fallo cuando excedido. Otro modelo podría comparar el indicador de condición con una estadística distribución de los valores de los indicadores para determinar la probabilidad de una Estado de falla. Un enfoque de diagnóstico de fallas más complejo es entrenar a un clasificador que compare el valor actual de uno o más indicadores de condición con los valores asociado con estados de falla, y devuelve la probabilidad de que uno u otro El estado de falla está presente.

Al diseñar su algoritmo de mantenimiento predictivo, puede probar diferentes modelos de detección y diagnóstico de fallas utilizando diferentes indicadores de condición. Por lo tanto, este paso en el proceso de diseño es probablemente iterativo con el paso de extracción indicadores de condición, a medida que intenta diferentes indicadores, diferentes combinaciones de indicadores, y diferentes modelos de decisión. Estadísticas y Machine Learning ToolboxTM y otras cajas de herramientas incluyen funcionalidad que puede utilizar para los modelos de decisión de trenes, como los clasificadores y los modelos de regresión. Para más información información, véase Modelos de Decisión para Detección y Diagnóstico de Fallas .

Predicción de vida útil restante

Algunos ejemplos de modelos de predicción son:

Un modelo que se ajusta a la evolución temporal de un indicador de condición y predice cuánto tiempo pasará antes de que el indicador de condición cruce algunos valor umbral indicativo de una condición de fallo.

Un modelo que compara la evolución temporal de un indicador de condición con series temporales medidas o simuladas de sistemas que corrían hasta el fracaso. Semejante un modelo puede calcular el tiempo más probable de fallo de la corriente sistema.

Puede predecir la vida útil restante prediciendo con sistema dinámico modelos o estimadores de estado. Además, Predictive Maintenance Toolbox incluye funcionalidad especializada para la predicción RUL basada en técnicas como el análisis de similitud, umbral y supervivencia. Para más información información, véase Modelos para predecir la vida útil restante .

Implementar e integrar

Cuando haya identificado un algoritmo de trabajo para manejar los datos de su nuevo sistema, procesarlo apropiadamente, y generar una predicción, implementar el algoritmo y integrarlo en su sistema. Basado en los detalles de su sistema, usted puede implementar su algoritmo en la nube o en dispositivos incrustados.

Una implementación en la nube puede ser útil cuando usted está recolectando y almacenando grande cantidades de datos en la nube. Eliminar la necesidad de transferir datos entre la nube y máquinas locales que están ejecutando el algoritmo de pronóstico y monitoreo de salud hace que el proceso de mantenimiento sea más eficaz. Los resultados calculados en la nube pueden ser disponible a través de tweets, notificaciones por correo electrónico, aplicaciones web y paneles de control.

Alternativamente, el algoritmo puede ejecutarse en dispositivos incrustados que están más cerca de la equipo real. Los principales beneficios de hacer esto son que la cantidad de información se envía se reduce ya que los datos se transmiten sólo cuando es necesario, y las actualizaciones y las notificaciones sobre la salud de los equipos están inmediatamente disponibles sin demora. .

Una tercera opción es utilizar una combinación de los dos. Preprocesamiento y función partes de extracción del algoritmo se puede ejecutar en dispositivos integrados, mientras que el modelo predictivo puede ejecutarse en la nube y generar notificaciones según sea necesario. In sistemas como taladros petrolíferos y motores de aeronaves que se ejecutan continuamente y generar enormes cantidades de datos, almacenar todos los datos a bordo o transmitirlo es no siempre viable debido al ancho de banda celular y las limitaciones de costes. Uso de una algoritmo que opera en streaming de datos o en lotes de datos le permite almacenar y enviar datos sólo cuando sea necesario.