8 abril 2014 IFEMA Madrid spain.ni.com/nidays. spain.ni.com

Transcripción

1

2 8 abril 2014 IFEMA Madrid /nidays 2

3 Prognosis y Gestión del Estado de Maquinaria Repaso del Estado del Arte de la Tecnología y Metodología

4 Mayor Disponibilidad Estado de la Máquina Mantenimiento Preventivo Mantenimiento Predictivo Zona de Operación Aceptable Operar hasta fallo Tiempo 6

5 Standard ISO Valoración de la Condición de la Máquina, Procesamiento de Datos y Flujo de la Información Sensor / Transductor / Captación de Datos Adquisición de Datos (DA) Manipulación de Datos (DM) Sistemas Externos, Archivos de Datos, Configuración de Bloques Detección de Estados (SD) Valoración de la Salud (HA) Prognostics (PA) Pantallas Técnicas y Presentación de la Información Generación de Recomendaciones (AG) 8

6 Prognostics Conceptos Fundamentales (1) Prognosis: detectar los precursores de fallos, y predecir cuánto tiempo queda antes de producirse un posible fallo, a.k.a. Vida Útil Restante (RUL Remaining Useful Life) Predicción del Estado: Predecir el futuro de condición/estado sin evaluar los criterios de fallo 10

7 PHM -Definición del Problema Necesidades del Negocio: Mejora de la productividad humana y de los activos Optimización de los Sistemas de Mantenimiento Gestión del ciclo de vida del producto Mejor gestión de la información Disponibilidad del activo Prevención de fallos por detección temprana Objetivos del Proyecto: Diagnóstico (análisis de la causa raíz) Prognostics (RUL- vida útil restante) 12

8 Priorizar el Activo Revisión Histórica de Fallos (Frecuencia de Fallos vs Impacto) Una vez los activos y componentes específicos dentro de los activos han sido seleccionados, los modos comunes de fallos deben identificarse. El Análisis de la Criticalidad y Efectos de los modos de fallo (FMECA-A Failure Mode Effects and Criticality Analysis) unido a un histórico de análisis de la causa raíz en un histórico de fallos, ofrecerá patrones de degradación específicos en el activo o componente en el cual se debe enfocar la aplicación de la prognosis. 14

9 Método Sistemático para el Diseño e Implementación de un Sistema de Prognosis Identificar Activos y Necesidades de Negocio Identificar Componentes Criticos en los Activos Selección de Sensores Selección de Métodos de Prognosis Disponibilidad Facturación Seguridad Productividad Controles Engranes Rodamiento Generador Motor Vibración Electrica Presión Temperatura Guiado por Datos Basado en Modelos Híbrido Implementation and Feedback 16

10 Watchdog Agent, de medida a diagnóstico 18

11 Feature 2 Watchdog Agent, de diagnóstico a prognosis ACTIVO CRÍTICO ADQUISICIÓN DE DATOS/ PROCESAMIENTO DE SEÑALES EXTRACCIÓN DE CARACTERÍSTICAS Y SELECCIÓN 9 8 Baseline Current Data Feature 1 VISUALIZACION DEL ESTADO PREDICCIÓN DEL RENDIMIENTO 20 VALORACIÓN DEL ESTADO

12 Watchdog Agent Infotronics Toolbox 22

13 Arquitectura de un Sistema de Prognosis Dispositivo Inteligente de Captación de Datos en Campo Sensores Acquisición de Datos Extracción de Características Cambio? Fuerzas dinámicas extraidas de forma autónoma, causando desgaste de los reodamientos. No Sí Base de Datos de Firmas de Fallos Valoración del Rendimiento Nivel Actual de Degradación del Rendimiento Infraestructura TIC para la Planta Predicción del Rendimiento Rendimiento Predicho en el Tiempo Adquisición y Procesamiento de Señales Velocidad y Análisis de Orden (1X, 2X) Cambio de Velocidad o RMS Valoración del Rendimiento Razonamiento basado en agrupamientos Detección de Anomalías Regresión Logística 24 Predicción del Rendimiento Límites (Alarmas) Extrapolación de Curvas ARMA

14 PHM Analytics de un Parque Eólico WIND FARM INFO: CURRENT CONDITIONS: N Equipment Health Equipment Risk 25

15 scales a Procesamiento de Señales & Extracción de Características Raw Vibrations Stationary Raw Vibrations Signal Processing & Feature Extraction Time Domain Analysis Frequency Domain Analysis Time-Frequency Analysis Wavelet/Wavelet Packet Analysis Principal Component Analysis (PCA) No-Estacionario Timesynchronous Average FFT + Envelope Wavelets CWT of time synchronous signal for gearbox with broken tooth (File 105) Time (for 1 revolution) 26

16 Valoración del Estado Valoración del Estado Logistic Regression Statistical Pattern Recognition Feature Map Pattern Matching (Self-organizing Map) Neural Network Gaussian Mixture Model (GMM) Comportamiento Normal en Condicioón de Operación 1 Comportamiento Reciente en Condición de Operación 1 Vibración en Bruto en cada Condición de Operación Normal Behavior Most Recent Behavior Feature Space Valor de Confianza (CV) 27

17 Diagnósitco del Estado Health Diagnosis Support Vector Machine (SVM) Feature Map Pattern Matching (SOM) Bayesian Belief Network (BBN) Hidden Markov Model (HMM) Evidence-based Holo-Coefficients Comportamiento Normal en Condicioón de Operación 1 Comportamiento Reciente en Condición de Operación 1 Features Gearbox Health Map U-matrix Normal Gearbox 2.91 C1 C1 Labels C3 C3 C2 C2 Need to train 1 health map for each operating condition! 1.63 C1 C1 C C4 C4 C4 C4 Recent Behavior Gear 1 Broken Tooth 28

18 PHM Analytics de un Parque Eólico WIND FARM INFO: CURRENT CONDITIONS: N Equipment Health Equipment Risk 29

19 Health CV History Wind Turbine Efficiency WIND TURBINE INFO: CURRENT CONDITIONS: Component Health N 1 Wind Turbine Efficiency Time Wind Turbine CV History Component Risk Time 30

20 31 GEARBOX INFO: Gearbox CV Prognostics Holo-Coefficient Diagnosis Multi-regime Health Assessment, Diagnostics And Prognostics Radar Chart α1 α2 α3 α4 α5 α6 α7 α8 α9 α10 α11 α12 α13 α14 α15 α16 α17 α18 β1 β2 β3 β4 β5 β6 β7 β8 β9 β10 β11 β12 β13 β14 β15 β16 β17 β18

21 Machine Health & Maintenance 32

22 Goal Develop an integrated health monitoring system capable of accurately monitoring and predicting the machine health for: Near-Zero Downtime & First Part Correct 33

23 Dashboard 34

24 ARAMIS Tarjeta de Identidad Advanced Reliability Availability & Maintenance for Industries and Services Fiabilidad, Disponibilidad & Mantenimiento Avanzados para Industrias y Servicios 36

25 El Método SMART KID for RAMS&C Simulation, Modeling, Analysis, Research for Translating Knowledge, Information and Data into usable results Data Expertos Modelos Simulación, Modelado, Análisis, Investigación para Convertir Conocimiento, Información y Datos en datos útiles 38

26 Prognostics Diagnostics Detection Metodología PHM 1 Feature selection for signal characterization Filter technique Wrapper technique Application: Prognostic and Health Management of a component/system for which real data patterns of normal and abnormal system behaviours, and models of the dynamics of the systems and their degradation may or may not be available Normal operation data history matrix generation Similarity evaluation Fault detection First Principle Model (FPM) Parametric Model (PM) Markov graph 3 Normal operation data AAKR Fuzzy Similarity reconstruction ANN Self Organizing Maps (SOMs) In case of available real data, the procedure can be entered here Fuzzy logic Probabilistic similarity Sequential Probability Ratio Test Mahalanobis metrics Distribution testing Outcome: Reorganization of the knowledge, information and data available on a system, with the aim of: Detecting anomalous conditions at an early stage, for problems awareness Characterizing the detected conditions, for establishing maintenance actions Predicting their future evolution, for anticipating & avoiding catastrophic failures Quantifying the uncertainty on the outcomes Data history matrix update, as normal operation data is collected Faulty operation data history matrix generation Appending new data and adapting FPM-simulated data to the real measured data First Principle Model (FPM) Parametric Model (PM) Fault classification Clustering Advanced GA Data history matrix update, as normal operation data is collected Failure evolution patterns matrix generation Appending new data and adapting FPM-simulated data to the real measured data In case of available real data, the procedure can be entered here First Principle Model (FPM) Parametric Model (PM) PHM allows optimizing maintenance intervention decisions 11 Prognostic model building Neural network Particle filtering Kalman filtering Support Vector Machine saving maintenance costs 12 Model updating Appending new data and adapting model to the real measured data An adaptative MOdel for PHM (Módelo Adaptativo para PHM) 40

27 Valoración total del PHM Contras Pros En una visión de medio/largo plazo, la estrategia de PHM logra una gran cantidad de beneficios 48

28 PHM trend overview I The safety issue is the main driver for PHM implementation 49

29 I. Repaso de Tendencias del PHM La seguridad es el principal impulso para la implementación de PHM 50

30 II. Repaso de Tendencias del PHM pero las grandes ventajas generan interés en muchos seguidores 52

31 Síganos durante y después de NIDays es.linkedin.com/in/nispain facebook.com/nispain91 twitter.com/ni_spain 53