Подходы к организации технического обслуживания

Предсказательное обслуживание (оно же предиктивное, прогнозируемое обслуживание и Predictive Maintenance) – быстроразвивающийся подход к организации технического обслуживания и ремонта (ТОиР). Стремительное развитие и внедрение предсказательного обслуживания основано на современных достижениях цифровизации и четвертой промышленной революции. В основе технологии лежит использование возможностей Анализа Больших данных, Искусственного интеллекта, Интернета вещей, Облачных сервисов. 

Существуют различные вариации подходов к организации ТОиР, считаю необходимым упомянуть основные для наилучшего понимания преимущества предсказательного обслуживания. Основные подходы следующие: реактивный, профилактический, по состоянию и предсказательный. 

 Реактивный (аварийный) подход – самый первый, простейший и понятный подход. Он заключается в использовании ресурса до предела и ремонте/замене после отказа, выхода системы из строя. Подобный подход актуален и сегодня в случае обслуживания недорогого вспомогательного оборудования (вроде батарейки или лампочки). Недостатком реактивного подхода является неожиданность наступления поломок, которые приводят к доведению оборудования до состояния отказа, а в случае длительного ремонта или замены оборудования – к простоям и финансовым потерям. 

 Следующий подход – профилактический, планово-предупредительный, основанный на закономерностях и средних длительностях работы деталей систем. Профилактический подход решает главную проблему реактивного обслуживания и предотвращает отказы и простои за счет проведения регулярного заблаговременного обслуживания. Преимуществами этого подхода являются повышение надежности и безопасности процессов эксплуатации, снижение поломок оборудования, четкое планирование обслуживания. Недостатки: неполное использование ресурсов и короткий жизненный цикл компонентов, нерациональные финансовые затраты. При профилактическом подходе также могут случаться непредвиденные сбои, приводящие к простоям оборудования. 

Обслуживание по состоянию и предсказательное обслуживание основаны на непрерывном мониторинге технического состояния оборудования, то есть требуют цифровизации производства, в том числе – оснащение оборудования датчиками, системой сбора и хранения данных, анализа данных, диагностики оборудования и управления.  

Обслуживание по состоянию – диагностика текущего состояния оборудования с помощью статистического анализа собранных данных (например, с датчиков вибрации, температуры, токов и т.д.). Состояние оценивается на основе известных диапазонов значений ряда параметров для конкретного оборудования, различные отклонения указывают на определенные типы дефектов. На основе результатов диагностики текущего состояния оборудования составляются и корректируются графики технического обслуживания. Преимуществами обслуживания по состоянию являются увеличение жизненного цикла оборудования, эффективность проведения технического обслуживания и ремонта, сокращение простоев оборудования, уменьшение финансовых затрат на обслуживание. Несмотря на уменьшение материальных затрат на техническое обслуживание и ремонт, стоимость внедрения и поддержки системы мониторинга существенная. Другим недостатком обслуживания по состоянию является контроль только текущего состояния оборудования, соответственно невозможность планировать график ремонтных работ; обслуживание одновременно может понадобиться большому количеству единиц оборудования, что может привести к простоям. 

 Предсказательное или прогнозирующее обслуживание – подход технического обслуживания, который позволяет сохранить плюсы обслуживания по состоянию и планировать техническое обслуживание заблаговременно. Предсказательное обслуживание учитывает не только текущее состояние оборудования, но и прогнозирует изменения технического состояния в ближайшее время (в зависимости от области применения: в одних приложениях порядок нескольких недель, в других – минут). Основное внимание в этой статье будет уделено именно этому подходу.  

Предсказательное обслуживание

В основе алгоритмов предсказательного обслуживания лежат возможности машинного обучения, которое на основе данных обучается выявлять аномалии, возникшие в определенных частях системы, прогнозирует время до отказа. На основе результатов прогнозирования состояния оборудования планируется оптимальное время для технического обслуживания оборудования. Существует два подхода к разработке алгоритмов прогнозирования: на основе накопленных данных и на основе цифрового двойника системы.  

 Базовым компонентом системы мониторинга является система датчиков, снимающих данные с оборудования. При разработке алгоритмов прогнозирования на основе накопленных данных необходимо накопить большое количество данных, которые будут использоваться при обучении моделей машинного обучения. Пример требований, которым должны соответствовать данные:  

• В случае задачи обнаружения аномалий – определения отклонения состояния от нормального, достаточно накопить данные нормального состояния оборудования; 

• В случае задачи классификации – определения типа обнаруженного отклонения (например, неисправность статора, ослабленное крепление основания и т.д.), необходимы данные нормального состояния и дефектных состояний с аннотациями (добавление метаданных, пояснений о принадлежности конкретных сигналов к виду дефекта); 

• В случае задачи прогнозирования – прогноз состояния в будущем через определенный срок, необходимы данные с аннотациями, в каком состоянии оборудование (когда вышло из строя).  

Сбор достаточной базы данных – трудоемкая и не всегда выполнимая задача, потому что не всегда возможно получить данные от физического оборудования в полевых условиях при типичных неисправностях. Например, ряд дефектов или поломок редко происходят; преднамеренное создание интересующих состояний (непосредственно перед поломкой) на реальном оборудовании в контролируемых условиях – процесс дорогостоящий, выводящий оборудование из строя и не всегда выполнимый.  

Решением этой проблемы является создание виртуальной модели физического актива – цифрового двойника. Для создания цифрового двойника специалисты исследуют физику работы физического объекта или системы и разрабатывают математическую модель, имитирующую реальный объект. Цифровой двойник получает обратную связь от датчиков, которые собирают сигналы с реального оборудования, таким образом имитируя состояние объекта в режиме реального времени.  

Цифровой двойник моделирует рабочие состояния, процессы и жизненный цикл актива и позволяет сгенерировать данные любого объема, которые трудозатратно получить в реальности. Цифровой двойник может быть сравнительно простым или очень сложным, соответственно иметь разную точность детализации процессов моделируемого объекта, в зависимости от потребностей. 

Подход, основанный на сборе репрезентативного набора данных или цифровом двойнике, выбирается в зависимости от задачи. Процесс построения сложного цифрового двойника длительный и дорогостоящий, но позволяющий сгенерировать набор данных любого объема и разнообразия и обучить высокоточные прогнозирующие модели. Например, для производителя оборудования выгодно создавать цифровые двойники и поставлять вместе с оборудованием в качестве системы диагностики. Для эксплуататора нескольких единиц оборудования создание цифрового двойника скорее всего будет неоправданно дорогим. 

Система диагностики и прогнозирования отказов

В общем случае цикл работы системы диагностики и предсказания отказов состоит из трех больших блоков: мониторинг данных, диагностика состояния оборудования и прогнозирование отказов, визуализация результатов и планирование технического обслуживания. 

Мониторинг системы – основа обслуживания по состоянию и предсказательного обслуживания, заключается в обеспечении сбора и накопления данных с оборудования. Набор данных формируется на основе данных, собранных системой датчиков с реальных активов. Для автоматизации процесса сбора данных развертывается система Интернета вещей (IoT), которая включает инфраструктуру, серверы и хранилище, необходимые для работы системы предсказания отказов в реальном времени. Система предсказания отказов использует исторические данные для прогнозирования будущих событий: обнаружение аномалий, прогноз возникновения отказов, предсказание остаточного срока компонентов. 

Для повышения эффективности и точности прогнозирования или в случаях отсутствия достаточного количества данных разрабатывается виртуальная модель физического актива. Цифровой двойник моделирует рабочие состояния, процессы и жизненный цикл актива и позволяет сгенерировать датасеты любого объема, которые трудозатратно получить в реальности. 

 Алгоритм диагностики и прогнозирования отказов на основе искусственного интеллекта обучен на исторических или сгенерированных данных. В зависимости от целей алгоритм настраивается разработчиком/пользователем и включает предобработку и анализ данных, модели машинного и глубокого обучений, элементы управления и оптимизации для решения задач обнаружения и классификации аномалий, прогнозов наступающих отказов, остаточного срока компонентов и узлов. 

Результаты алгоритма диагностики и прогнозирования интегрируются в пользовательском ПО в виде оповещений, информативных графиков и таблиц. Результаты могут быть внедрены в производственную систему при ее наличии. В зависимости от результатов срабатывают оповещения планируется и оптимизируется план технического обслуживания, выполняются рекомендации по изменению рабочих параметров активов. 

Применение предсказательного обслуживания в промышленности

Одним из наших проектов по теме предсказательного обслуживания является разработка системы диагностики трансформатора на основе цифрового двойника. Мы хотим поделиться частью этого проекта – этапом создания цифрового двойника и обучения моделей машинного обучения для решения задачи раннего обнаружения межвитковых замыканий и отклонений параметров трансформатора от номинальных. 

Трансформаторы 

Электроэнергетика является областью с высокими требованиями к надежности, устойчивости, безопасности и качеству вырабатываемой электроэнергии, а также областью, где дефекты и отказы обходятся крайне дорого. 

Одна из задач цифровой трансформации электроэнергетики – внедрение предсказательного обслуживания силовых трансформаторов. Актуальность данной задачи связана с тем, что отказ трансформатора ведет к тяжелым последствиям, а восстановление его работоспособности требует длительного времени.   

Отказы трансформаторов 

По статистике более половины отказов трансформаторов (т.е. отказов, при возникновении которых дальнейшая эксплуатация трансформатора невозможна) приходится на следующие виды конструктивных узлов: обмотки, устройство РПН (регулирование напряжения трансформатора) и высоковольтные вводы. Соотвественно в первую очередь необходимо разрабатывать методы диагностики именно этих систем трансформатора. 

 На данный момент обслуживание трансформаторов производится по планово-предупредительной стратегии (примерно раз в три года текущий ремонт и раз в 12 лет капитальный ремонт). Во-первых, эта стратегия не исключает отказов; во-вторых, переход на предсказательную стратегию позволит снизить материальные затраты и повысить отказоустойчивость оборудования. Наиболее распространенными причинами возникновения отказов являются: изменение свойств конструкционных материалов (старение) – 21,6%, заводские дефекты конструкции и изготовления – 19,4% и недостатки эксплуатации – 16,8%. Ряд причин отказов можно избежать или снизить их последствия, внедрив умную систему мониторинга с предсказательным обслуживанием.  

Причиной межвитковых замыканий является деградация изоляции вследствие тепловых, химических и механических воздействий, например, пондеромоторных сил токов внешних коротких замыканий. Восстановление поврежденного трансформатора или его замена является продолжительной и дорогостоящей операцией. Поэтому раннее обнаружение межвитковых замыканий и своевременное отключение трансформатора при развитии аварии является важной задачей систем диагностики и релейной защиты. Роль этих систем возрастает в условиях ограниченного объема электродинамических испытаний выпускаемых трансформаторов, когда невыявленные дефекты конструкции начинают проявляться в ходе их эксплуатации, приводя к росту числа аварийных ситуаций. Именно задаче выявления межвитковых замыканий на ранней стадии будет посвящена следующая часть статьи.  

Цифровой двойник

В данном случае при разработке системы предсказания отказов был выбран подход на основе цифрового двойника, потому что:  

•  отсутствовала полноценная база данных; 

• производитель трансформаторов может масштабировать систему предсказания отказов; 

• цифровой двойник позволяет смоделировать критические неисправности; неисправности, которые не повторялись раннее достаточное количество раз или вовсе не были зафиксированны датчиками. 

В результате разработки ЦД должны быть получены реальный и виртуальный трансформаторы, которые работают параллельно. Основные принципы построения цифрового двойника были сформулированы следующим образом:  

• цифровой двойник – это аналог физического изделия, моделирующий внутренние процессы, технические характеристики и поведение реального объекта;  

• при задании на цифровом двойнике входных воздействий используется информация с датчиков, установленных на реальном объекте, работающем параллельно; 

• информация, поступающая с реальных датчиков, сравнивается с показаниями виртуальных датчиков ЦД, что позволяет выявлять аномалии и устанавливать причины их возникновения, строить прогнозы. 

Подробнее этапы построения цифрового двойника трансформатора объясняются и демонстрируются в ходе вебинара «Цифровой двойник трансформатора», который можно посмотреть в записи. В данной статье будут кратко перечислены основные этапы разработки, важные для общего понимания данной статьи.  

Модельно-ориентированное проектирование в данной задаче – это построение математической электромагнитной модели двухобмоточного трансформатора в Simulink, с помощью опытов холостого хода и короткого замыкания реального трансформатора.  

 С использованием экспериментальной установки была создана схема с двусторонней информационной связью для того, чтобы модель обновляла свои параметры в режиме реального времени. Цифровая модель трансформатора была запущена на РИТМе – стенде полунатурного моделирования, который позволяет запустить модель и физический объект параллельно в режиме реального времени и проверить корректность работы, в данном случае цифрового двойника трансформатора в безопасных условиях. Подробнее о составляющих экспериментальной установки, схеме подключения рассказывалось на вебинаре.  

Созданный цифровой двойник трансформатора также включает управляемый источник напряжения, переменные резисторы, индуктивности, элемент нелинейной индуктивности – ветвь намагничивания. В нее заложена основная кривая намагничивания, которая отражает нелинейную зависимость магнитной индукции от напряженности магнитного поля. Построенная модель может использоваться как основа при построении более сложных моделей трансформаторов.  

Точность модели оценивалась в ходе опыта холостого хода, короткого замыкания и в нагрузочном режиме. Для оценки точности модели подавалось одинаковое напряжение на трансформатор и его Simulink-модель, строились осциллограммы и сравнивались значения токов и напряжений, полученных с виртуальных и реальных датчиков.  

Генерация данных с помощью цифрового двойника

Цифровой двойник был построен с целью генерировать данные нормальных и аварийных режимов для обучения модели диагностики отказов. Данные генерируются с помощью скрипта, который генерирует данные различных состояний трансформатора путем изменения ряда параметров, диапазоны которых заданы пользователем.  

Таким образом, задавая определенный диапазон входных параметров можно симулировать наличие определенных дефектов на разных стадиях (от самых ранних изменений до критических), которые будут отражаться в значениях выходных параметров. Например, увеличение значений сопротивлений (R1 и R2) об ухудшении контактных изменений; изменение параметров ветви намагничивания об изменении свойства ферромагнитного материала. 

Диагностика межвитковых замыканий подразумевает распознавание трех режимов:  

• Нормальный режим (с учетом стохастической нагрузки); 

• Внутреннее межвитковое замыкание (в заданном диапазоне случайным образом задается процент замкнутых витков, точка начала межвиткового замыкания в обмотке, вычисляются соответствующие изменения параметров ветвей трансформатора, учитывается стохастическая нагрузка); 

• Случайное отклонение параметров ветвей трансфораматора в диапазоне +- 30 % . 

Обучение модели машинного обучения

Благодаря сгенерованным данным модели машинного обучения можно настроить выявлять изменения параметров, которые могут существенно изменяться в процессе нормальной работы трансформатора, от опасных аномалий, которые визуально по диапазонам значений параметров не отличимы от допустимых режимов работы.  

Диагностика основывалась на значениях параметров мгновенных токов и мгновенных напряжений трансформатора, в сумме рассматривалось четыре потенциальных для диагностики параметра: i1 , i2 , v1 , v2 . Данные включали как самые ранние отклонения от нормы, так и критические состояния. 

При генерации данных на основе цифрового двойника происходило автоматическое маркирование данных – классы данных были известны, то есть использовалось контролируемое машинное обучение. Выборка была сбалансированной – наблюдений по каждому классову одинаковое количество. Классы для обучения соответствовали целям диагностики:  

•  Нормальный режим работы; 

•  Режим межвитковых замыканий; 

•  Режим отклонения параметров. 

Модели обучались на данных, которые представляют собой разные части сигналов. В этих частях сигналов намеренно были исключены части переходного процесса (момент перехода от нормального режима к режиму межвитковых замыканий), которые облегчают обнаружения межвиткового замыкания и улучшают результаты. Однако, сигналы виртуальной модели и реального объекта незначительно могут отличаться, и в момент переходного процесса это измненние может повлиять на точность распознавания. Таким образом, обученные модели должны распознавать межвитковое замыкание в любой момент нахождения трансформатора в этом режиме: как в переходный, так и в более поздний.  

В качестве модели машинного обучения был выбран метод опорных векторов (SVM), как показавший наилучшие результаты из тестируемых моделей. В качестве входных данных использовались небольшие части сигналов, уменьшалась их размерность методом главных компонент (PCA). Каждая модель давала ответ по каждому параметру, в итоге параметр мгновенного напряжения V2 был исключен для повышения общей точности определения класса.  

 Итоговый класс определялся из вектора ответов (класс I1 , класс I2 , класс V1 ):  

• при 2 из 3 ответов одного класса точность классификации составила 75 %;  

• При 3 из 3 ответов одного класса точность классификации составила 70 %. 

Определение межвитковых замыканий считается сложной задачей, не решаемой традиционными подходами. Использование ИИ позволяет решить задачу с точностью, которая позволит сократить непредвиденные отказы и своевременно провести техническое обслуживание.  

Преимущество внедрения системы предсказательного обслуживания

Предсказательное обслуживание – стратегия технического обслуживания, основанная на текущем состоянии оборудования и нацеленная на предотвращение поломок, сбоев и простоя оборудования. 

Система предсказательного обслуживания использует данные для интеллектуального мониторинга поведения ценного промышленного и высокотехнологичного оборудования, чтобы снизить затраты на преждевременное обслуживание и избежать возникновения отказов. Интервалы обслуживания могут быть оптимизированы путем получения информации о состоянии оборудования из данных датчиков, что позволит вовремя произвести ремонт, не допустив аварии и простоев оборудования. Результатом внедрения системы является более разумная эксплуатация оборудования – увеличение времени безотказной работы оборудования и оптимизация общих затрат. 

Преимущества внедрения система предсказательного обслуживанияПредсказательное обслуживание развилось как продолжение предшествующих стратегий. Своевременная цифровизация производства – внедрение непрерывного мониторинга оборудования, современных методов диагностики и прогнозирования отказов, ведет к следующим преимуществам: 

• эффективная диагностика состояния оборудования в режиме реального времени; 

• предсказание неисправностей до возникновения отказов; 

• планирование, оптимизация и контроль качества выполнения технического обслуживания; 

• ощутимое снижение эксплуатационных расходов; 

• эффективное использование производственных ресурсов; 

• сокращение простоев оборудования; 

• продление жизненного цикла ценных производственных активов; 

• повышение качества продукции, процессов или услуг. 

Также своевременное внедрение современных технологий обеспечит возможность быстрее внедрить последующие более совершенные и развивающиеся подходы к техническому обслуживанию. В частности, быстроразвивающееся предписывающее техническое обслуживание (Prescriptive maintenance) – это стратегия обслуживания активов, в которой используется технология искусственного интеллекта для корректировки условий эксплуатации с целью получения желаемых результатов, а также для интеллектуального планирования обслуживания активов. 

Итак, мы попытались обобщить наши знания и опыт касательно предсказательного обслуживания на одном практическом примере. Конечно, эта тема очень многогранна и широка, и охватить ее полностью в рамках одной статьи очень сложно. Более того, применять методы предсказательного обслуживания можно к огромному количеству сложных технических систем, и везде будут появляться нюансы, которые следует учитывать.  

Наша компания давно занимается ИИ в целом и предсказательным обслуживанием в частности, и мы были бы рады помочь вам сделать ваши системы прибыльнее и надежнее. Мы выкладываем материалы по теме в специальном разделе нашего сайта.  

Если же у вас появились практические вопросы или требуются консультации с нашими специалистами, пишите нам на электронную почту по адресу mikhail.dal@exponenta.ru. Мы с удовольствием ответим и поможем вам разобраться в теме. 

За помощь в создании данной статьи мы благодарим инженера ЦИТМ Экспоненты Дмитрия Гладкова, который создал цифровой двойник трансформатора и предоставил соответствующие материалы к статье.