使用预测性维护提高效率,延长运行时间

签署人: IDZSupport KS

已发布:03/27/2018   最后更新时间:01/10/2018

对于当今的许多制造工厂,监控流程高度依赖人工。FOURDOTONE Teknoloji 分析来自传感器的数据,支持制造商即时响应问题,并预测机器何时会出现故障。

要点综述

停机可能会造成重大经济损失,在一条紧密耦合的生产线上,一台机器的问题可能对整个工厂产生影响。对于许多工厂,避免停机依靠的是运气,而不是科学:它们不经常进行机器检查,只能发现肉眼可见的问题。

FOURDOTONE Teknoloji 的 4.1 工业物联网平台(4.1 IIoTP)提高了制造商的响应速度和前瞻性,支持他们最大限度地减少停机时间。从机器中收集数据,并在工厂内分析,从而确保能够即时响应紧急情况或突发问题。在云中,使用机器学习算法分析来自所有机器的组合数据,通过这种方式可以预测出未来的维护要求。这有助于制造商制定维护计划(以避免停机)以及优化维护成本。

该技术为持续改进提供了基础,并帮助制造商降低意外停机的风险。

FOURDOTONE Teknoloji 于 2014 年在土耳其成立,专门处理工业 4.0 项目。该公司承接硬件独立项目,包括状态监控、大数据流程优化、预测性维护和数字工厂。该公司的服务对象包括土耳其、中东欧和中东的企业。

业务挑战:避免行业内的停机

停机可能会对制造工厂的业务造成巨大的影响。单台机器的故障可能会中断整条生产线。对于 24 小时运转的工厂,停工的时间是无法弥补的。产量的意外下降可能会导致等待交货的客户对企业感到失望,可能会使企业失去订单,导致产品无法销售,从而直接影响收益。

对于许多制造企业,意外停机是难以避免的。维护依然采取被动的方式。公司无法实时监控与分析它们的工厂,因此,在机器骤然停止前,它们对问题一无所知。由于缺乏基于以往表现的可靠数据,它们无法预测机器何时会发生故障。

工厂管理是一项劳动密集型工作,很容易忽略重要信号。工人可能穿梭于机器之间,用肉眼检查任何异常,并在写字板上记下数据。人工观察和通常并不频繁的检查使工人难以发现潜在问题,即使发现了问题也只是碰巧而已。如果检查没有在正确的时间和地点内实施,便无法发现可能已经影响到性能的问题,最终引发停机。

机器监控的挑战

Scattolini 的土耳其工厂也面临着这些挑战。该工厂生产商用车的浮子和翻转机。公司的总部设在意大利,位于 Valeggio sul Mincio 的工厂和全球其他 7 家工厂生产 200 多种设备。土耳其工厂生产厢式货车的部件。

运行时间对运营和盈利至关重要。公司想从被动维护转变为预测性维护:确保能在每次停机前进行干预。停产一天可能造成多达 35,000 欧元的损失,包括维修成本。

现有的机制基于手动检查,每月进行一次振动测量和被动维护。公司需要想办法:

  • 收集工厂内 30 多台机器的数据,无需到达现场。机器包括起重机、风扇和泵;
  • 监控液体化学成分池的级别;
  • 在问题出现时确定问题,立即采取措施,以最大限度地减少停机;
  • 模拟未来可能出现的故障,确保维护团队在停机前进行维修和替换。

解决方案价值:支持预测性维护

4.1 IIoTP 通过无线的方式收集与分析来自车间的数据。在 Scattolini 的土耳其工厂内,收集的数据包括轴向振动、发动机的表面温度、液压与气压系统的压力、罐和池的液位以及主能量线的状态。该解决方案支持工厂更及时地获取更多信息,这在之前是无法实现的。因此,公司可以更清楚地了解工厂的状态和维护要求。数据分析分为两个阶段:首先,如果传入数据出现了异常,则立即发出警报。将短信或电子邮件发送至预定义用户组。如果没有响应,或存在安全问题,可以将软件配置为自动关闭机器。

第二阶段的分析是在云中进行的。4.1 IIoTP 结合了来自所有机器的数据,用于预测未来可能发生的停机和维护要求。该方法使用机器学习技术来对比之前故障的已知信息和工厂与设备的当前数据。通过在潜在故障发生前替换部件,Scattolini 可以避免意外停机。

Scattolini 土耳其工厂的团队可以使用计算机、手机或平板电脑上的跨平台门户,实时监控工厂的状态。

通过减少对手动监控的使用以及将工厂转型为主动维护模式,Scattolini 估计已降低 15% 的维护运营成本。

解决方案架构:预测性维护

为了支持预测性维护,4.1 IIoTP 提供了一整套机制:从车间收集数据,如果要求即时响应,则立即分析数据,在云内执行深度分析,以生成预测性维护。

被监控的机器配备了电池或直流供电的无线工业传感器,专为实现高精度和在恶劣环境下运转而制造。

4.1 IIoTP 使用戴尔 Edge* Gateway 5000 中的英特尔® 物联网网关技术收集来自传感器的数据。支持有线和无线连接。坚固耐用的无风扇网关设备基于英特尔® 凌动™ 处理器,为网络边缘的设备提供了智能优势。边缘的计算能力支持快速是决策制定,这对重工业工厂、快速移动的生产线、化学物质存储设施等至关重要。

监督控制与数据收集(SCADA)工业控制系统通常显示当前数据。4.1 IIoTP 添加了查看历史数据和自动检测边缘异常和阈值违规的功能。可以通过电子邮件或短信发出警报,也可以由 4.1 IIoTP 直接干预,包括更改机器的配置或关闭机器。该功能由支持 4.1 IIoTP 控制可编程逻辑控制器(PLC)的库和框架提供。支持西门子、欧姆龙、三菱等厂家生产的主要 PLC。

此外,使用 256 位加密技术将数据发送至云。使用 4G/GPRS 移动宽带通信技术将数据发送至云,这是因为在工业环境中,该技术比 Wi-Fi 更稳定。在云中,将来自所有网关的数据收集到一个地方,然后使用机器学习算法对数据进行分析。该分析方法可用来预测可能产生的机器故障,发现提升效率和质量的其他机遇。可以通过机器学习创建面向边缘分析的新规则,以支持持续改进。


图 1. 4.1 IIoTP 借助机器学习和边缘分析,对紧急问题进行即时响应并在云中执行深度分析,以实现持续改进

云基础设施基于 Amazon Web Services(AWS*)。Amazon Kinesis 流* 专为连续捕捉大量数据而设计,4.1 IIoTP 使用该服务收集来自被监控设备的数据。这些数据还被添加至 Amazon Simple Storage Service*(Amazon S3*),发挥数据湖的作用,汇集来自不同类型被监控设备的数据。Amazon Elastic MapReduce*(Amazon EMR*)被用于设置 Spark* 集群,以及将 S3 对象映射至 EMR 文件系统,以便使用 S3 存储器中的数据执行批量分析。预测模型在 EMR 上运行,Kinesis 流也可能会消耗部分数据,以实时分析传感器数据。同时使用 Amazon Elastic Compute Cloud*(Amazon EC2*)在 AWS 上托管数据库、API 和 web 服务器。用户可以选择支持互联网的设备,通过可视化界面远程监控平台。

结论

制造商可以使用 4.1 IIoTP,并在机器中安装传感器,以深入了解其工厂设备当前与未来的健康状况。如果出现了紧急情况、断电或技术故障,边缘分析能提供即时响应。云中的机器学习算法可以分析所有机器在一定时间内生成的所有数据,以完善告警规则,并提供有关机器维护或替换的最佳时机的洞察。这种智能不仅能帮助制造商避免意外停机,降低手动监控机器的人力成本,优化部件和维护开销,还可以支持制造商提高其制造基础设施的可靠性和可预测性。

寻求适合贵公司的解决方案。联系您的英特尔代表或访问 www.intel.cn/content/www/cn/zh/industrial-automation/overview.html

英特尔解决方案架构师是技术方面的专家,他们与世界最大、最成功的公司合作设计业务解决方案,以应对严峻的业务挑战。在特定业务用例中成功测试、试运行和/或部署过这些解决方案的客户提供了宝贵的真实体验,为创建和改进这些解决方案奠定了良好的基础。封页上列出了撰写本解决方案简介的解决方案架构师和技术专家。

如欲了解更多信息,请访问:

英特尔与独立软件供应商   工业自动化   重要的物联网网站

了解更多信息

产品和性能信息

1

性能因用途、配置和其他因素而异。请访问 www.Intel.com/PerformanceIndex 了解更多信息。