Une approche basée sur l'IA pour gérer la fiabilité des pompes motorisées

Aperçu

Les données d'intégrité des biens provenant des équipements connectés sont précieuses, si vous savez comment les utiliser. Si vous ne savez pas, c'est une collection d'ensembles de données coûteuse pour vous. Par exemple, supposons que vous ayez collecté d'importantes données de mesure de l'Internet des objets (IoT), mais que vous ne pouvez pas en extraire pleinement la valeur sans l'aide les experts en la matière (EM), qui disparaissent du secteur de la fiabilité. La solution​ ? Automatisez le processus de conversion des données en informations. Dans cet article, nous allons traiter du InsightCMTM Analytics Toolkit, une nouvelle approche de la surveillance de l'état des machines et de l'analyse de maintenance prédictive.

Les défis traditionnels à relever en matière d'analyse

Les projets pilotes de maintenance prévisionnelle (MP) posent souvent des questions difficiles :

De quelles données avons-nous besoin ?

L'analyse pure des données scientifiques est bénéfique, car elle vous permet de « travailler avec les données dont vous disposez ». Mais outre leur aspect pratique, les données disponibles fournissent-elles les informations dont l'analyse a besoin pour prédire un échec ? Les données pratiques proviennent souvent d'un système de contrôle de processus ou de gestion des biens. Et si les variables de processus peuvent fournir des informations sur l'intégrité du bien, ces systèmes ont vraiment été conçus pour faire fonctionner une ligne de production. Par exemple, les vibrations du moteur et les signatures de courant sont des mesures de fiabilité répandues qui ne sont généralement toutefois pas valorisées dans un système de contrôle de production. Les lacunes au niveau de la couverture des données entraînent des angles morts sur les modes d'échec qui sont difficiles à détecter dans les environnements d'apprentissage automatique.

De quelle expertise en formation de modèles avons-nous besoin ?

Les modèles d'apprentissage automatique recherchent des modèles et des corrélations parmi un ensemble de données non étiquetées et sans unité. Cela se traduit par un principe qui est celui de « travailler avec les données dont vous disposez », mais aussi, cela signifie que le modèle doit connaître différents états pour détecter des modèles précis. Un EM aide à former le modèle en lui indiquant bien : « Par rapport à ces entrées, ceci est une opération normale. » Réfléchissez à toutes les étapes traversées par une machine qui font que le modèle formule un nouvel état : Changements environnementaux, vitesses de fonctionnement, matériaux manipulés : toutes les conditions normales doivent être évaluées avant qu'une mesure puisse être identifiée comme anormale. Cela nécessite le temps et les connaissances d'un EM.

Avons-nous besoin des données d'échec ?

Si vous voulez que le modèle sache que la machine est en état d'échec, le modèle doit apprendre à quoi ressemble une panne.

Pour Chris Coleman et Ed Deuel, responsables spécialisés chez Deloitte Consulting, « La raison pour laquelle vous ne pouvez généralement pas passer directement à la maintenance prévisionnelle est qu'il vous faut du temps pour mettre en place des processus de collecte de données, connecter des capteurs aux machines, et surtout, le bien doit échouer au moins plusieurs fois afin de fournir une base de référence aux algorithmes prédictifs. Plus une machine tombe en panne au fil du temps, plus les prévisions doivent être logiquement meilleures. » 1

Une analyse spécifique aux biens peut aider

Une analyse spécifique aux biens combine la connaissance des biens basée sur l'ingénierie (jumeau numérique) au machine learning pour diagnostiquer les problèmes, prédire les échecs et, en fin de compte, évaluer les risques d'exploitation.

Le toolkit InsightCM Analytics

Le toolkit InsightCM Analytics intègre l'analyse spécifique aux biens de The DEI Group avec des données de capteurs provenant d'installations InsightCM. Les composants du toolkit disponibles auprès de NI incluent tous les éléments logiciels InsightCM et The DEI Group pour passer des données au tableau de bord.

Fonctionnalités du toolkit InsightCM Analytics PreMA pour pompes – Édition de base PreMA pour pompes – Édition complète

Logiciel PreMA

 

Tableau de bord sur l'intégrité

Détection d'anomalies

Diagnostics

  • Quel est le score global d'intégrité de mon bien ?
  • Quel bien doit être surveillé de près en cas d'échec ?

Pronostic - Quelle est la durée de vie utile restante (DVUR) de chaque composant ?

Optimisateur de maintenance – À quel moment réparer quels composants ?

Tableau de bord de fiabilité

 

 

À propos de The DEI Group

The DEI Group a permis à des clients comme l'US Navy, Chevron Shipping, GE Power, Chevron Power, TVA, Ontario Power Generation, Duke Energy et d'autres de déployer des solutions qui modifient le statu quo des programmes de fiabilité depuis plus de 37 ans. Leurs ressources de développement combinent des connaissances universitaires de niveau doctorat et une expérience de l'industrie dans des domaines tels que la science des données, l'ingénierie des installations, la maintenance des équipements et une variété de disciplines d'ingénierie.

Combiner les connaissances en ingénierie avec le machine learning

Contrairement à une approche pure de la science des données, l'analyse spécifique aux biens comprend les composants portables et les modes d'échec dominants et tient compte des écarts d'installation, de fabrication et de fonctionnement. Les connaissances en ingénierie sont spécifiques au type de pompe : Le modèle applicable à une pompe verticale à plusieurs étages à division axiale est différent de celui valable pour une pompe verticale à un seul corps avec débit à travers une colonne à écoulement axial.

Diagnostiquer automatiquement les modes d'échec dominants

Avec les capteurs de tension et de courant, le matériel de surveillance NI, NI InsightCM et les toolkits associés, vous pouvez détecter les modes d'échec suivants (le cas échéant) sur une pompe à moteur :

Pompe

  • Usure du carter
  • Bague d'usure du carter dégradée
  • Joint de bride non étanche
  • Turbine usée
  • Clé de turbine desserrée cisaillée
  • Turbine desserrée sur l'arbre
  • Arbre de pompe plié
  • Arbre de pompe déséquilibré
  • Collier de poussée usé
  • Clé du collier de poussée desserrée
  • Coussinets de butée active usés
  • Coussinets de butée inactive usés
  • Palier du manchon du côté opposé à l'entraînement (NDE) usé
  • Fuite du joint labyrinthe du palier NDE de la pompe
  • Palier du manchon du côté de l'entraînement (DE) de la pompe usé
  • Fuite du joint labyrinthe du palier DE de la pompe
  • Faces du joint intérieur usées
  • Ressort hélicoïdal simple intérieur usé
  • Joints toriques du joint intérieur usés
  • Ressort hélicoïdal simple extérieur usé
  • Joints toriques du joint extérieur usés

 

Base

  • Mauvais alignement du moteur de la pompe
  • Pied souple (boulons de fondation desserrés)
  • Usure du manchon de couplage flexible
  • Fuite des bagues d'extrémité de couplage

Moteur

  • Enroulements du stator court-circuités
  • Isolation de l'enroulement du stator usée
  • Connexions des enroulements du stator desserrées
  • Laminage du noyau du stator lâche
  • Calage des connexions desserrées par le stator
  • Barres de rotor fissurées dégradées
  • Lamination du noyau du rotor endommagée
  • Excentricité statique de l'entrefer du noyau du rotor
  • Excentricité dynamique de l'entrefer du noyau du rotor
  • Arbre de moteur plié
  • Fuite du déflecteur de l'arbre du moteur
  • Palier DE de moteur usé
  • Fuite de la bague d'huile du palier DE de moteur
  • Palier NDE de moteur usé
  • Fuite de la bague d'huile du palier NDE de moteur
  • Élément de porte dégradé
  • Ventilateur de refroidissement sale

Faire correspondre les mesures du capteur à l'analyse

Le toolkit InsightCM Analytics simplifie la sélection des capteurs pour la MP. Pour les pompes à moteur, le toolkit InsightCM Analytics nécessite des mesures de tension et de courant triphasé pour capturer les modes d'échec électrique et physique dominants.

Prise des mesures de tension et de courant triphasé

Les mesures de tension et de courant à grande vitesse comprennent des ensembles de données précieux tels que les mesures de courant d'appel, de déséquilibre et de bande latérale qui sont utilisées pour détecter les modes d'échec défaillance tels que les casses au niveau des barres de rotor et l'usure de l'isolation.

Les installations d'analyse de la signature du courant du moteur (MCSA) utilisent des capteurs qui atténuent la haute tension/courant à des niveaux appropriés pour une entrée d'instrumentation directe :

  • Capteurs de courant en boucle autour des connexions électriques au moteur (ou aux entrées secondaires du relais de protection)
  • Les mesures de tension sont effectuées directement sur l'instrumentation NI ou via des transformateurs de potentiel de mesure qui se connectent aux mêmes modules d'entrée que les transformateurs de courant basse tension

 

 

Figure 1. Les capteurs de courant à noyau divisé sont généralement installés dans l'armoire de commande du moteur. La sécurité avant tout : Mettez toujours l'équipement/l'armoire hors tension pour l'installation.

Le centre de contrôle des moteurs (MCC) facilite le point d'installation, car vous pouvez surveiller de nombreux moteurs à partir d'un seul emplacement, contrairement aux vibrations, qui nécessitent une installation à chaque emplacement physique des biens.

NOTE DE SÉCURITÉ : Mettez toujours l'équipement hors tension avant de travailler dans l'armoire de commande du moteur, même si vous n'avez pas besoin de couper les circuits pour l'installation.

Figure 2. Un seul système de surveillance continu NI peut surveiller plusieurs biens grâce au bus de tension partagé et aux emplacements d'extension disponibles pour les modules d'entrée de capteur de courant.

Remarque : Le toolkit MCSA connecte InsightCM aux systèmes de surveillance continue NI pour les mesures I/V. Il est également nécessaire pour le toolkit InsightCM Analytics.

Détection des problèmes mécaniques avec les signaux électriques

Traditionnellement, les EM utilisent des mesures de tension/courant pour détecter les modes d'échec électrique (barres de rotor cassées ou isolation usée) et les signatures de vibration pour détecter les modes d'échec physique (défaillances des paliers à rouleaux ou désalignement de l'arbre). Mais avec le toolkit InsightCM Analytics, vous pouvez extraire des fonctionnalités pour les composants électriques et mécaniques d'une pompe à moteur à partir de données waveform de tension/courant à haute vitesse horodatées. Les défauts physiques impactent les signaux électriques à travers l'excentricité de l'entrefer entre le rotor et le stator. Et nous pouvons voir des perturbations supplémentaires, comme les indications d'une turbine usée, par des ondulations de couple et de puissance-spectre. La configuration des vibrations et des données de processus dans le modèle fournit des preuves d'échec supplémentaires au moteur de diagnostic, renforce les résultats de dégradation mécanique et vous aide à diagnostiquer en disposant de plus de contexte.

Configuration des modèles d'analyse de pompe

Les modèles d'analyse spécifique aux biens n'ont pas besoin d'autant de formation, mais ils doivent comprendre les propriétés physiques du bien surveillé. Le composant spécifique au bien est un « expert intégré » qui supervise la formation et fait correspondre les regroupements de capteurs aux modes d'échec corrélés.

Figure 3. Le toolkit InsightCM Analytics utilise des analyses spécifiques à la pompe. Vous pouvez configurer le type de pompe dans InsightCM pour informer le modèle. (Image fournie par The DEI Group)

Vous pouvez configurer des biens de manière individuelle à l'aide des informations suivantes :

  • Sondage de la pompe et du moteur à partir de la plaque signalétique
  • Données de capteur
  • Historique de maintenance

 

Après la configuration, le modèle entre en mode d'apprentissage, en utilisant des données waveform horodatées pour établir les rapports de paramètres qui représentent les modes d'échec qui vous intéressent. Le processus d'apprentissage observe l'équipement à travers sa plage de fonctionnement prévue pour créer un modèle de référence de haute fiabilité. La durée du temps d'apprentissage dépend du type d'équipement et de la plage de fonctionnement à observer (charge constante/charge variable).

Une fois le mode d'apprentissage terminé, le Tableau de bord intégrité et fiabilité affiche des informations sur le mode d'échec, notamment :

  • Notes d'intégrité, de criticité et de fiabilité par mode d'échec
  • DVUR
  • Une perspective de fiabilité pour les 30/60/90/120 prochains jours pour l'ensemble du train de biens et chaque composant (moteur/pompe)

Interagir avec vos données

Différentes parties prenantes ont besoin de différents niveaux de données et d'informations pour faire leur travail. Avec le toolkit InsightCM Analytics, vous obtenez trois niveaux d'informations pour traiter différents workflows.

Tableaux de bord de haut niveau et calendrier de maintenance

Utilisez le Tableau de bord de fiabilité InsightCM pour explorer de manière interactive les risques opérationnels actuels et futurs. Vous pouvez également évaluer le risque de chaque composant (turbines ou paliers) à ce niveau. L'optimiseur de planification combine les données d'intégrité des biens avec un calendrier de disponibilité saisi par l'utilisateur (calendrier de production et interruptions planifiées) et des contraintes de coût/risque pour générer un calendrier de réparation des composants par bien. Servez-vous du calendrier pour réparer les biens uniquement lorsque cela est nécessaire (réduction des coûts de maintenance) et maximisez le temps en remplaçant d'autres composants usés lorsque le bien est hors ligne (ce qui augmente votre retour sur investissement).

Figure 4. Affichez les scores globaux d'intégrité des biens en temps réel et les évaluations des risques sur 30/60/90/120 jours sur le Tableau de bord de fiabilité inclus avec le toolkit InsightCM Analytics.

Informations sur le mode d'échec et entrées de modèle

Connaître la pompe à l'origine de risques supplémentaires pour vos opérations est utile. Connaître la partie spécifique qui va échouer, et quand, conduit les indicateurs de performance clés dans la bonne direction. Vous pouvez utiliser l'ensemble logiciel PreMA (inclus avec le toolkit InsightCM Analytics) pour mieux comprendre les mesures générant les résultats ou pour zoomer sur un mode d'échec.

Figure 5. Lancez le logiciel d'application PreMA de The DEI Group (inclus avec le toolkit InsightCM Analytics) directement à partir d'InsightCM pour inspecter les modes d'échec spécifiques, les données de mesure associées et les actions de maintenance suggérées.

Données brutes de capteur

Utilisez InsightCM pour accéder aux données brutes avec des outils d'analyse standard afin de vérifier les composants, de résoudre les problèmes de capteur et de confirmer un diagnostic à partir du moteur d'analyse.

Figure 6. InsightCM comprend des calculs, des visualiseurs et des outils d'analyse conformes aux normes de l'industrie qui permettent de diagnostiquer les flottes d'équipements d'usines du monde entier.

Effectuer un déploiement dans le cadre de votre transformation digitale

L'analyse est une technologie complexe mais puissante qui permet d'améliorer la fiabilité des installations. Les capacités d'analyse proposées par The DEI Group et NI InsightCM sont des technologies adjacentes dans la pile logicielle industrielle de l'Ido qui se combinent pour aider les entreprises à moderniser la maintenance des biens avec une solution complète : des données de capteurs aux tableaux de bord informatifs.

Figure 7. InsightCM dispose du matériel, des capteurs, des logiciels et du support analytique dont vous avez besoin pour connecter une multitude de biens à votre réseau IoT dans le cadre d'un programme de transformation digitale.