Перспективы использования системы предиктивной диагностики ПРАНА для цементной промышленности

Перспективы использования системы предиктивной диагностики ПРАНА для цементной промышленности
Системы прогностики решают множество задач: сбор и обработку данных, прогнозирование отказов в работе оборудования, оптимизация режимов работы и повышение эффективности производства в целом. Лидером среди российских аналитических систем является программно-аппаратный комплекс прогностики и удаленного мониторинга ПРАНА.
АО «РДС»
109240, Россия, Москва, ул. Николоямская, 15
+7 (495) 644-34-60
13 июля 2021

Аннотация

Системы прогностики решают множество задач: сбор и обработку данных, прогнозирование отказов в работе оборудования, оптимизация режимов работы и повышение эффективности производства в целом. Лидером среди российских аналитических систем является программно-аппаратный комплекс прогностики и удаленного мониторинга ПРАНА.

ПРАНА позволяет обнаружить потенциальный дефект по отклонению от нормы даже одного из нескольких ключевых показателей и определить вероятные причины отклонения, ещё до фактического его проявления в виде нарушения нормального режима эксплуатации оборудования.

В статье рассмотрим архитектуру системы, принцип ее работы, перспективы ее использования в цементной промышленности.

Введение

Прогностика (от греч. «предвидение, предсказание») — наука (научная дисциплина) о законах и способах разработки прогнозов на основе прошлых и настоящих данных. Прогноз динамики протекания любого процесса, простого или сложного, возможно рассчитать путем анализа его трендов.

Составление прогнозов является одной из задач предиктивной аналитики, будь то электрогенерация[1-3], социальные сети[4], маркетинг[5], телекоммуникации[6], передвижение[7], здравоохранение[8], производство и экономика.

Суть прогнозной аналитики заключается в выявлении скрытых внутренних связей в данных, что может дать больше понимания об анализируемом процессе/событии. Это позволяет не только давать оценку на будущее, но и анализировать уже произошедшие события на предмет корректности их протекания и выявлять возможные нарушения взаимосвязей.
Примерами таких событий может стать всё, что оставляет информационный след, например, аномалии в технологических процессах опасных производств, следствием развития которых могут стать техногенные аварии.

Развитие цифровых технологий позволяет всё большему количеству компаний из самых различных отраслей применять методы прогнозной аналитике для решения своих задач.

В ритейле часто используют аналитические модели для прогнозирования потребностей в товаре, управления графиками отгрузки и планировки магазинов для максимизации продаж. Авиакомпании используют прогнозную аналитику для формирования цен на билеты с учетом прошлых тенденций в сфере путешествий. Отели, рестораны и другие участники гостинично-ресторанного бизнеса могут использовать технологию прогнозирования для оптимизации расходов на обслуживание, в зависимости от планируемого количества посетителей.

Главным преимуществом применения прогнозной аналитики в промышленности является возможность рассчитать возможные сценарии развития процессов и изменения тенденций, тем самым перевести неуправляемые риски возникновения аварийных ситуаций в разряд управляемых.

Для удовлетворения возросшей потребности на рынке стало доступно множество платформ прогнозной аналитики от разных производителей: SAP Analytics Cloud[9], IBM SPSS[10], SAS Advanced Analytics[11], RStudio[12] и многие другие.

Лидером среди российских аналитических систем является программно-аппаратный комплекс прогностики и удаленного мониторинга ПРАНА компании  «РОТЕК» [1].

Система ПРАНА

Комплекс ПРАНА (ПРогнозная АНАлитика), разработанный российскими специалистами представляет собой  интеллектуальную систему прогностики и удаленного мониторинга для ведения непрерывного контроля, осуществления диагностики и прогнозирования изменения технического состояния сложного промышленного оборудования. В основе математического аппарата  ПРАНА лежат методы моделирования на основе подобия [3].

Система имеет двухуровневую структуру. На нижний уровень поступают данные из АСУ ТП. Далее, по защищенному каналу связи данные передаются на верхний уровень в удаленный ЦОД (центр обработки данных), где происходит их аналитическая обработка.

Для каждого агрегата, подключенного к системе, создается одна или несколько цифровых моделей работы. Результаты аналитической обработки доступны пользователям через web-интерфейс.  

Изначально формируется эталонная модель агрегата, являющаяся цифровым образом исправного технического состояния оборудования. Для ее построения используется идеология контрольных T2-карт Хотеллинга. С помощью матрицы состояний и с использованием оператора подобия, для каждого измеренного значения рассчитываются его модельное значение. По разнице между эталонным и фактически измеренным значением для каждого параметра вычисляется невязка и среднеквадратическое отклонение. Невязки нормализуются и по совокупности рассчитывается интегральная величина – критерий T2. Анализ T2-критерия позволяет прогнозировать изменения в техническом состоянии оборудования и отслеживать все возможные зависимости параметров.

Обзорная таблицы мониторинга.jpg

Рисунок 1 – Обзорная таблицы мониторинга

Наиболее важная информация мониторинга отображается на обзорной таблице, где показаны все подключенные к системе объекты. Здесь выводятся результаты расчета аналитики, основные технологические параметры, основные критерии разладки модели, с указанием своего вклада, а также результаты регрессионного анализа.

Аналитическая мнемосхема мониторинга.jpg

Рисунок 2 – Аналитическая мнемосхема мониторинга

Для каждого контролируемого объекта создается аналитическая мнемосхема. На мнемосхеме выводится «Общая информация» об объекте мониторинга, график работы аналитики, график технологического параметра, вносящего наибольший вклад в разладку модели и график его невязки, т.е. отклонения от значений эталонной модели.

В разделе «Причины разладки» представлен топ-10 основных параметров разладки. Для удобства пользователей системы, на мнемосхеме отображается текущее значение первых трех параметров, вносящих наибольший вклад в интегральный критерий T2.

В разделе «Прогноз состояния» система отображает результаты регрессионного анализа с прогнозом выхода параметров за свои технологические пределы, а в разделе «Журнал сообщений» пишутся события по агрегату, сформированные системой в автоматическом режиме или пользователями в ручном режиме.

В автоматическом режиме система ПРАНА формирует следующие типы сообщений:

  • превышение предельных значений параметров;
  • возвращение значений параметров в установленные пределы;
  • задержка в поступлении данных;
  • восстановление нормального поступления данных;
  • появление параметров плохого качества в модели;
  • смена режимов работы;
  • пуски/остановы объекта контроля.

Помимо аналитической мнемосхемы у каждого объекта мониторинга есть технологические мнемосхемы, которые описывают подсистемы агрегата. Технологические мнемосхемы необходимы для дополнительного контроля работы оборудования, а также позволяют пользователям системы удаленно следить за состоянием технологического процесса с мобильных устройств.

Технологическая мнемосхема мониторинга.jpg

Рисунок 3 – Технологическая мнемосхема мониторинга

Для целей максимальной эффективности взаимодействие между Центром обработки данных системы ПРАНА и владельцем объекта мониторинга осуществляется по телефонной связи и через интернет. Все информационные сообщения, рекомендации и предупреждения заносятся в Оперативный журнал, встроенный в систему (рисунок 4).

В круглосуточном режиме диспетчер системы ПРАНА информирует оперативный персонал о выявленных отклонениях, при этом специалист экспертного отдела анализирует полученные данные и описывает в журнале событий выявленные отклонения с рекомендациями по их устранению.

Оперативный журнал.jpg

Рисунок 4 – Оперативный журнал

Система располагает рядом экспертных модулей: анализ теплового поля [13], регрессия, экспорт данных, отчеты и т.д. Также система позволяет пользователю создавать расчетные параметры и использовать их как для простого анализа, так и в аналитической обработке. Расчетные параметры используются в системе для оценки технико-экономических показателей и оценки остаточного ресурса отдельных узлов агрегатов.

Алгоритмы расчета системы ПРАНА построены таким образом, что кроме данных из АСУ ТП система способна принимать и обрабатывать данные от других систем мониторинга, установленных на производственных площадках. А в случае необходимости система мониторинга может быть дополнена параметрическими датчиками или датчикам неразрушающего контроля. Так с 2018 года в системе ПРАНА начали использовать метод акустической эмиссии (АЭ), что существенно расшило ее возможности [14].

Применение метода акустической эмиссии в прогностике

В отличии от других методов неразрушающего контроля метод АЭ позволяет выявлять наиболее опасные дефекты - зарождение усталостных трещин в металлических и бетонных конструкциях в реальном времени и без вывода объекта из эксплуатации, тем самым предупреждая развитие аварийных ситуаций. Один АЭ датчик способен эффективно контролировать поверхность металла в радиусе от 5 метров и больше.

Наиболее перспективным применением метода акустической эмиссии с точки зрения прогнозной аналитики является возможность обнаружение развития дефектов подшипников на ранних стадиях.

При диагностировании подшипниковых узлов по данным вибрационного контроля, наиболее эффективным является низкочастотный спектр сигнала, богатый гармоническими колебаниями. Частоты гармонических колебаний непосредственно связаны с конструкцией узлов агрегатов и с определенными видами дефектов. Вибрация в объекте контроля может возникнуть за достаточно продолжительный срок до отказа агрегата, но также в силу непредсказуемости развития аварийных ситуаций, сохраняется риск мгновенного развития вибрации и у эксплуатирующего персонала просто может не хватить времени на реагирование и принятие правильных решений.

В подшипниках, как в наиболее ответственных узлах любой динамической машины, за счет вращения одной поверхности относительно другой возникают силы трения. Под действием сил трения в металле возбуждаются высокочастотные случайные сигналы. Если подшипник бездефектный, то амплитуда высокочастотных сигналов незначительная и сигналы неразличимы на фоне общего технологического шума. Однако, при развитии дефектов, приводящих даже к незначительному продавливанию масляного клина, возрастает количество случайных акустических сигналов и возрастает их амплитуда.

На начальном этапе развития деградации энергии случайных акустических сигналов недостаточно для возбуждения гармонических колебаний и датчики вибрации могут не выявить зарождающиеся дефекты (рисунок 5). Поэтому для целей прогнозной аналитики метод акустической эмиссии желательно использовать как дополнительный метод, повышающий эффективность виброконтроля, так как высокочастотные датчики акустической эмиссии могут зафиксировать изменение шумового фона за 1 - 2 месяца до перехода подшипникового узла в критическое состояние, когда датчики вибрации начинают реагировать на дефекты.

Распределение чувствительности методов контроля подшипников.png

Рисунок 4 – Распределение чувствительности методов контроля подшипников.

Зная шумовые характеристики бездефектного подшипникового узла и зная предельные значения для определенных видов дефектов, по данных акустической эмиссии возможно не только рассчитать скорость развития дефектов, но и спрогнозировать время безаварийной работы контролируемого узла.

Основные преимущества системы

  1. В режиме онлайн ПРАНА рассчитывает интегральную оценку технического состояния ответственного оборудования с автоматическим выявлением изменением технологических или технических параметров, вносящих основной вклад в отклонение технического состояния контролируемого оборудования от нормального состояния. Практически мгновенно прогнозирует дальнейшее изменение технического состояния с целью предупреждения создания аварийных ситуаций и развития катастрофических разрушений.
  2. ПРАНА позволяет обслуживать подключенное к ней тяжелое промышленное оборудование по техническому состоянию, поскольку дает возможность определить отклонения в техническом состоянии еще на ранней стадии зарождения дефекта, до его фактического влияния на состояние оборудования.
  3. Система позволяет в автоматическом режиме проводить оценку качества технического обслуживания сравнительным анализом до– и послеремонтного состояния по анализу большого количества трендов.
  4. ПРАНА сокращает расходы на ремонт оборудования за счет прогноза остаточного ресурса, долгосрочного планирования, своевременной закупки запасных частей и оптимизации логистики.
  5. ПРАНА в режиме мониторинга позволяет выявлять скрытые дефекты и планировать дополнительный объём ремонтных работ в период плановых остановов. Это снижает время незапланированного простоя оборудования.

Результаты работы ПРАНА

Первый объект, Пермская ТЭЦ-9, подключен к системе ПРАНА в 2015 году. На данный момент к системе подключено 105 единиц оборудования: паровые и газовые турбины, котлы-утилизаторы, насосы, дожимные компрессора, трансформаторы и т.д. Общая мощность подключенного к системе оборудования превышает 3,5 ГВт, предупреждены сотни инцидентов.

ПРАНА для цементной промышленности

С точки зрения внедрения системы прогнозной аналитики на цементных заводах, наиболее эффективно система ПРАНА может быть применена для прогноза состояния приводных электродвигателей и подшипниковых узлов сырьевых и цементных мельниц, электроприводов вращающихся печей, роликовых опор печей, приводов колосниковых холодильников клинкера, компрессорных установок, понижающих редукторов приводных электродвигателей.

Основная задача, которую может решить система ПРАНА, -  повышение и оптимизация качества ведения технологического процесса и как следствие - получение продукции стабильного качества на выходе.

Не секрет, что в настоящее время на цементных заводах наблюдается дефицит высококвалифицированных специалистов, особенно на производствах цемента сухим способом. Дополнительный контроль со стороны интеллектуальной системы прогнозирования позволит снизить риск влияния человеческого фактора и при этом повысить производительность и срок службы узлов и механизмов. Это также позволит выпускать продукцию, соответствующую требованиям международных стандартов, поддерживать оптимальный режим производства и контролировать расход требуемых компонентов и энергоресурсов.

Архитектура системы ПРАНА позволяет за счет построения нескольких эталонных моделей быстро переключаться с одного режима работы оборудования на другой, автоматически подстраиваясь под изменения технологического процесса.

С точки зрения диагностики подшипниковых узлов наиболее интересным объектом на заводе производства цемента являются опорные ролики цилиндрической печи.

Роликовая опора является сложным составным механизмом. При поломке опоры печь аварийно останавливается. Так как печь является главным элементом производственной цепочки, то останавливается вся производственная линия, при этом производство несет незапланированные финансовые потери из-за недовыпуска продукции.

Из-за низкой скорости вращения вала роликовой опоры, мониторинг методом виброметрии малоэффективен. Поэтому усталостные трещины поверхности самого ролика и техническое состояние вала может быть эффективно контролироваться при помощи метода акустической эмиссии [16].

Выводы

Трансфер технологий, отлично зарекомендовавших себя в энергетике, в цементную промышленность способен дать дополнительный импульс сокращению непроизводительных затрат на предприятиях.

Список литературы

1.   Опыт использования удаленного доступа и предсказательной аналитики состояния энергетического оборудования / С.А. Наумов, А.В. Крымский, М.А. Липатов, Д.Н. Скрабатун // Теплоэнергетика. 2018. №4 с. 21-33.

2.   Громак Е.В., Наумов С.А., Шишов В.А. Система удаленного мониторинга АО “РОТЕК” как элемент энергетической безопасности // Новое в российской электроэнергетике. 2016. № 6 С. 36–46.

3.   Патент № 2739727, 28.12.2020. Способ и система удаленного мониторинга и прогнозирования состояния технологических объектов// Патент РФ № 2739727/Лифшиц М.В., Маркелов А.И., Персяев А.А.

4.   De, Shaunak; Maity, Abhishek; Goel, Vritti; Shitole, Sanjay; Bhattacharya, Avik (2017). "Predicting the popularity of instagram posts for a lifestyle magazine using deep learning". 2017 2nd International Conference on Communication Systems, Computing and IT Applications (CSCITA). pp. 174–177.

5.   Fletcher, Heather (March 2, 2011), "The 7 Best Uses for Predictive Analytics in Multichannel Marketing", Target Marketing.

6.   Barkin, Eric (May 2011), "CRM + Predictive Analytics: Why It All Adds Up", Destination CRM.

7.   Moreira-Matias, Luís; Gama, João; Ferreira, Michel; Mendes-Moreira, João; Damas, Luis (2016-02-01). "Time-evolving O-D matrix estimation using high-speed GPS data streams". Expert Systems with Applications. 44: 275–288.

8.   Robert Nisbet, Gary Miner, Ken Yale, Handbook of Statistical Analysis and Data Mining Applications (Second Edition), Academic Press, 2018, Pages 235-258.

9.   SAP Analytics Cloud: сайт. - URL: https://www.sap.com/products/cloud-analytics.html (дата обращения: 11.02.2021).

10. IBM SPSS: сайт. - URL: https://www.ibm.com/analytics/spss-statistics-software (дата обращения: 11.02.2021). https://www.sas.com/en_us/solutions/analytics.html

11. SAS Analytics software: сайт. - URL: https://www.sas.com/en_us/solutions/analytics.html (дата обращения: 11.02.2021).

12. RStudio: сайт. - URL: https://rstudio.com (дата обращения: 11.02.2021).

13. Патент № RU 2696919C1, 07.08.2019. Способ и система оценки технического состояния узлов газовой турбины по температурным полям// Патент РФ № RU 2696919C1/Лифшиц М.В., Клименко О.Г., Скрабатун Д.Н.

14. Машины разговаривают с нами-нужно лишь уметь их слышать / Трифонов А. // Газета «Энергетика и промышленность России». 2019. №8 (364) апрель.

15. EIPPCB (European Integrated Pollution Prevention and Control Bureau). 2010. Reference Document on Best Available Techniques in the Cement, Lime and Magnesium Oxide Manufacturing Industries (May 2010). European Commission, Joint Research Centre, Institute for Prospective Technological Studies. Seville.

16. Елизаров С.В., Барат В.А., Бардаков В.В., Чернов Д.В. АЭ-контроль динамического оборудования на примере роликовых опор вращающихся печей // Контроль. Диагностика. – 2017. – № 7. – С. 4‑11.

Источник: Журнал «Цемент и его применение» №1 - 2021

Читайте также
Сделайте первый шаг в цифровую экономику
Оставьте свой телефон, и наш специалист свяжется с вами для консультации
Ваш номер телефона *
Нажимая кнопку «Отправить», вы соглашаетесь на обработку ваших персональных данных в соответствии с условиями
Политики конфиденциальности

© ПРАНА — система прогностики и удаленного мониторинга, 2024

109240, Россия, Москва,
ул. Николоямская, 15