• Domů
  • PŘEDVÍDÁNÍ (BUDOUCNOSTI) S MITSUBISHI ELECTRIC
  • Registrační formulář
  • Přihlášení

Factory Automation

Print page

PŘEDVÍDÁNÍ (BUDOUCNOSTI) S MITSUBISHI ELECTRIC

Letošní Mezinárodní strojírenský veletrh je pro nás výjimečný - představíme Vám výrobní linku digitálního věku. Navštivte náš stánek 134 v pavilonu P!

Virtualizace výroby

Všechna zařízení naší hlavní demo aplikace Predictive Maintenance, s robotem série FR, komunikují s rozsáhlou výrobní linkou, kterou jsme tentokrát umístili v digitálním světě - skutečná zařízení spolupracují s výrobní linkou umístěnou v 3D simulaci – viz obrázek níže. Vše probíhá pomocí protokolu OPC UA, který se v souladu s předpoklady Průmyslu 4.0 stane do budoucna hlavním průmyslovým komunikačním protokolem.

V čem spočívá naše řešení?

Pro naše zákazníky jsme připravili systém, který shromažďuje data z našich komponent automaticky. Sledujeme různé parametry činnosti našich pohonů. Všechny pohony v takovém systému považujeme za samostatné prvky, neboť každý z nich nám může poskytnout různé informace. Sběr s frekvencí až 0,4 ms, kterou používáme, by vedl ke vzniku terabytů dat. Náš systém tato data zpracovává a analyzuje a v databázi se ukládají pouze ta nejdůležitější.

Naše SCADA (MAPS – Mitsubishi Adroit Process Suite) slouží pro agregaci dat a vizualizaci základních parametrů provozu. Nejdůležitějším prvkem tohoto systému je umělá inteligence, která vyvozuje závěry o stavu jednotlivých součástí a indikuje případný požadavek na provedení servisních úkonů.

K čemu slouží při prediktivní údržbě vizualizace?

Data, která se používají v rámci strojového učení, by teoreticky mohla být předána přímo na určitou výpočetní platformu a uživatel by mohl jako zpětnou vazbu obdržet informace o předpokládané době výskytu poruchy. Data o fungování jednotlivých komponent mohou poskytovat mnoho důležitých informací – např. sledování změn určitého parametru v čase může pomoci při plánování úkonů.


PREDICTIVE MAINTENANCE
Produktivita firmy závisí ve velké míře na tom, jak dobře využívá své zdroje. Veškeré technologie a systémy i nástroje používané při údržbě prošly dlouhou cestu. Inženýři údržby již dávno neřeší otázku: „Co se vlastně stalo?“ a identifikaci problémů zajišťuje diagnostická vrstva softwaru nebo automatizační technologie. Otázku: „Co se stalo?“ nahradila otázka: „Proč se to stalo?“ – a to je fáze, ve které se v současnosti nachází mnoho firem. Identifikujeme a odstraňujeme příčiny problémů, činíme závěry do budoucna, a díky tomu snižujeme náklady na využívání zdrojů. Dalším krokem je samozřejmě otázka: „Co se určitě stane?“ Tato otázka shrnuje zásady prediktivní údržby, při které probíhá výměna zařízení na základě údajů o jejich opotřebení s potřebným předstihem, což umožňuje předejít vzniku poruch.
My doporučujeme, abyste se ptali: „Co by se mohlo stát?“ Naše zařízení obsahují řadu technologií, které usnadňují sběr velkého množství dat, včetně dat, která zdánlivě nemají žádný význam. Tato data mohou po provedení automatické analýzy a filtrace představovat základ pro prediktivní systémy, které využívají potenciál umělé inteligence. Využití strojového učení umožňuje předvídat potenciální problémy dlouho předtím, než se objeví první zřetelné symptomy.

PREVENTIVE vs. PREDICTIVE

PREVENTIVE
Preventivní údržba (preventive maintenance) funguje v souladu se zásadou, že lepší je „hrát na jistotu“. Preventivní úkony se plánují na základě konkrétních (ne vždy úplných) údajů o strojích a jejich součástech. Zohledňuje se zde délka provozu zařízení, servisní doporučení výrobce a také znalosti týkající se standardního opotřebení obdobných komponent. Servisní úkony se provádějí obvykle v dopředu naplánovaných časových slotech. Takovýto postup ale nezohledňuje skutečné opotřebení nebo využití zařízení, což vede ke dvěma velmi problematickým situacím. V první situaci může zařízení fungovat dobře, a výměna se tak provádí zcela zbytečně. Ve druhé situaci může dojít k tomu, že určité komponenty nevydrží do další plánované odstávky a dojde ke vzniku poruchy.

PREDICTIVE
Různé postupy prediktivní údržby (predictive maintenance) zohledňují zejména skutečný stav zdrojů. Vhodně navržený systém vyhledává symptomy, které by potenciálně mohly způsobit poruchu, a umožňuje tak plánovat servisní úkony s velkým předstihem. Zkoumá se zejména faktický stav opotřebení komponent, a nikoliv jejich stáří nebo matematický výpočet opotřebení. Podskupinu postupů, které se používají při preventivní údržbě, tvoří např. monitorování stavu zařízení (condition monitoring), díky kterému lze pomocí měření např. teploty nebo vibrací určit stupeň opotřebení jednotlivých zařízení. U pokročilých systémů, které prezentujeme také na našem stánku, se používají také algoritmy strojového učení. V takovém případě systém shromažďuje obrovská množství dat o fungování jednotlivých součástí a algoritmy mezi nimi hledávají korelace a anomálie, které lze v praxi snadno přiřadit ke konkrétnímu – budoucímu – problému.

PRVKY PREDIKTIVNÍHO SYSTÉMU

V rámci systému prediktivní údržby pracujeme s obrovským množstvím dat. Pro to, aby na jejich základě bylo možné učinit konkrétní závěry, soustředili jsme je do tří nejdůležitějších ukazatelů, které můžeme považovat za klíčové ukazatele výkonnosti
(KPI´s). Jedná se o:
 Health score - Hodnocení provozuschopnosti,
 Breakdown possibility - Pravděpodobnost závady,
 Vibration anomally - Anomální vibrace.

Co je to strojové učení?
Strojové učení je způsob využití umělé inteligence pro řešení problémů, které se ukazují jako příliš náročné ve vztahu ke kognitivním schopnostem člověka. Strojové učení spočívá ve využití velmi pokročilých algoritmů, díky kterým se systém může „učit“. Jedná se o iterativní proces, při kterém se informační systém přizpůsobuje neustále novým údajům tak, aby poskytoval stále lepší a přesnější výsledky. V případě aplikace strojového učení v údržbě bude informační systém analyzovat parametry činnosti zařízení a bude se kontinuálně učit je „udržet“. To umožní okamžitou identifikaci sebemenších anomálií, které by v budoucnu mohly zapříčinit poruchu.

NAŠE ŘEŠENÍ V ČÍSLECH

6
Tolik pohonů mají naše vertikální roboty. Náš prediktivní systém považuje každý pohon za samostatný prvek. Pomocí parametrů ze servozesilovačů provádíme hodnocení fáze stárnutí pohonů a mechanické části stroje. To nám umožňuje, abychom předvídali potenciální problémy a vyhodnotili, jak dlouho bude stroj schopen ještě fungovat.
V prediktivním systému Mitsubishi Electric se servopohon stává diagnostickým nástrojem pro celou mechanickou část (viz Machine Diasnosis).

150
MAPS SERVER 150
Naše nejmenší licence SCADY, která umožňuje vytvořit systém, má 150 snímacích bodů. 150 bodů měření postačuje pro predikci problémů u malého nezávislého stroje. Jádro systému MAPS umožňuje také současně zobrazit několik desítek tisíc různých proměnných.


MACHINE DIAGNOSIS
Jedná se o funkci, kterou jsou vybaveny všechny naše servopohony. Díky ní servopohony sledují v reálném čase stav mechanické části (pozorováním mechanického a kinetického tření). Tímto způsobem může pohon indikovat potenciální mechanické potíže před tím, než se objeví pozorovatelné změny.
PLC, Robot, Měnič, CNC, Servo
Jedná se o typy prvků průmyslové automatizace, které jsme připojili k našemu systému. Mitsubishi Electric je jednou z několika málo firem, které dodávají ucelené spektrum prvků pro průmyslovou automatizaci. Tuto konkurenční výhodu využíváme také tak, že náš prediktivní systém může hledat korelace na signálech ze všech těchto prvků.
13
Jedná se o počet autorských funkčních bloků (FB), které jsme vytvořili pro systém predikce. Kód těchto bloků běží mimo faktický výrobní proces, což značně usnadňuje implementaci prediktivní údržby.

0,4 ms
Jedná se o frekvenci, s jakou jsme schopni vzorkovat parametry servopohonů. Díky tomu jsme schopni zaznamenat v systému i ty sebemenší odchylky.

200
Jedná se o počet parametrů, které měříme současně na našem veletržním stánku. Tato měření se využívají v prediktivních algoritmech. Část hodnot se v rámci prediktivních procesů vypouští, jsme si ale jisti, že všechna důležitá data se do systému dostanou.

4
Na jedné platformě iQ mohou fungovat až čtyři různé procesory. Díky tomu je možné zajišťovat všechny výrobní procesy pomocí jediné centrální jednotky. Všechny procesory sdílejí svou paměť a díky tomu je možné provádět velmi složitou analýzu dat, která pocházejí z mnoha různých zdrojů.

3
Zdravotní stav našeho stroje můžeme shrnout pomocí tří snadno srozumitelných ukazatelů. Prezentační vrstva výsledků predikce je velmi intuitivní, což zvyšuje atraktivitu tohoto řešení z pohledu pracovníků zajišťujících údržbu

zpět