Предиктивная диагностика оборудования что это
Исторически обслуживание оборудования проводилось на основании стратегии «до отказа». В 1920-1930х гг. были разработаны стратегии и подходы ППР (планово-предупредительных ремонтов) оборудования. В 1970-80х гг., с развитием технологий, появились стратегии мониторинга состояния оборудования. Именно эти три стратегии в разных сочетаниях используются в настоящее время на подавляющем большинстве предприятий для оборудования любого типа.
С дальнейшем развитием технологии и удешевлением датчиков измерения параметров оборудования возникла ситуация, когда с оборудования снимается множество самых разных параметров и эта информация хранится годами. Однако для ремонта оборудования эта информация не используется вовсе, а для управления технологическими процессами используется не более 10% контролируемых значений. Кроме того, существующие системы АСУ ТП обеспечивают контроль показателей в очень широких диапазонах и без учета взаимосвязей (корреляции) параметров.
Все эти причины привели к появлению систем предиктивной/прогнозной диагностики или предиктивной аналитики, которые позволяют построить модель работы оборудования (набор взаимосвязанных параметров), обучить эту модель на исторических данных, соответствующих нормальным режимам работы, а затем использовать модель в реальном времени для раннего предсказания отказов оборудования. Новая технология позволяет совершить переход с реактивного и календарного подходов к проактивному (т.е. распознавание отказов и их предотвращение).
Подобные системы обеспечивают значительный эффект:
- Повышение готовности оборудования за счет сокращения времени ремонта при одновременном снижении общих ремонтных затрат за счет качественного и своевременного планирования ремонтных работ;
- Исключение отказов (т.е. объем выполняемых работ также уменьшается);
- Возможность гибкого управления рисками и потерями производства за счет расширения горизонта планирования при принятии решений.
Компания Мейнтекс осуществляет весь комплекс работ, связанных с внедрением технологии предиктивной аналитики на производстве. Совместно со специалистами по надежности заказчика мы проводим анализ критичности оборудования и выявляем наиболее важные и рискованные для производства активы. Далее проводится анализ и подготовка исторических данных. На основе подготовленной информации строятся и обучаются модели, создаются диагностические правила. Наши консультанты выполняют сопровождение созданных моделей после подключения их к реальным данным, участвуют в анализах обнаруживаемых системой проблем и готовят отчеты по результатам работы системы предиктивной диагностики. Мы не используем “стандартные шаблоны”, мы анализируем каждую единицу отдельно, что позволяет заказчику получать достоверные данные и реагировать на малейшие изменения в работе оборудования. Мы реализуем наши проекты по предиктивной диагностике на базе лучшего российского решения — Cyberstudio, от компании Cyberphysics.
Мы также предлагаем услуги по поддержке и разработке моделей на базе решений, не имеющих представительства в России, таких как: Aveva PRiSM Predictive Asset Analytics и GE Smart Signal.
Диагностика и предиктивная аналитика
Система предиктивной диагностики – это аппаратно-программный комплекс, который отслеживает состояние основного оборудования электрических станций, выявляет неисправности на ранних стадиях, прогнозирует развитие неисправностей на основании анализа текущих данных, получаемых в режиме реального времени.
Цель системы предиктивной диагностики – обеспечить безаварийность работы и сократить внеплановые простои с последующим переходом к ремонту по техническому состоянию.
Cфера применения
- Паровые турбины
- Турбогенераторы
- Паровые котлы
- Гидравлические турбины
- Гидрогенераторы
- Газовые турбины
Предиктивная диагностика набирает популярность
Предиктивная диагностика неисправностей оборудования улучшает качество выпускаемой продукции, повышает производительность, сокращает время простоев, снижает издержки и ускоряет процессы. Но несмотря на преимущества, предложения внедрить такие решения на производствах пока вызывают больше теоретических споров, чем практических шагов.
Почему? Каждое конкретное производство имеет свои особенности, и схема диагностики должна их учитывать. И потому же иногда бывает куда проще рассказать про преимущества диагностики, чем начать ее применять. Кроме того, ИТ-инфраструктура отдельных предприятий попросту не предусматривает запуск сторонних приложений для диагностики, а многие станки устаревших моделей и не оснащены датчиками, не подключены к общей сети предприятия.
Предприятиям нужно загрузить в облако все необходимые данные для диагностики. Но на этом этапе возникают вопросы защиты данных. Например, обеспечения безопасной работы контроллеров, которые отвечают за автоматизацию управления производственными линиями. В дополнение ко всему, на рынке ощущается очевидный дефицит специалистов в области обработки массивов данных и экспертов в области безопасности автоматизации производства.
Непредвиденные остановки производственных линий грозят обернуться убытками. В отчете 2006 года Neilsen Research сообщила, что остановка конвейера на автомобильном заводе обходится предприятию до 1,3 миллиарда долларов в час. В 2017 года консалтинговое агентство Oneserve опросило британских производителей. Оказалось, из-за поломок они теряют до 3% рабочих дней в год, это примерно 49 рабочих часов.
Создание складов запасных частей выглядит попыткой угнаться за несколькими зайцами, особенно в случаях, когда предприятие не хочет замораживать оборотные средства на покупку запчастей. Для них вопрос диагностики это незаменимая часть производственного процесса. Однако крупные производства часто консервативно подходят к вопросам обслуживания оборудования. Еще одним фактором являются особенности стран, которые влияют на стратегию внедрения схем предварительной диагностики.
Обслуживание и надежность
Своевременная диагностика оборудования повышает эффективность производственных процессов и предсказывает неисправности, которые не сумеют предсказать инженеры. Диагностика увеличивает срок службы производственных линий в целом и отдельных узлов в частности, избегая незапланированных остановок или сокращая время простоя.
Существуют очевидные препятствия для внедрения подобных схем. Крупные производства строятся на двух принципах: безопасность работы и постоянная загрузка линий с минимальным количеством окон для остановки и технического обслуживания. Если оба принципа работают безотказно, руководство предприятия не видит необходимости срочных перемен. Производственные линии и их отдельные узлы сертифицированы и их не так-то легко заменить, а производственные процессы автономны и не завязаны на внешних факторах. Таким образом, коммуникация осуществляется в одностороннем порядке, от завода ко внешнему миру, с ограниченным инструментарием обратной коммуникации. Принципы умной диагностики предусматривают постоянное подключение оборудование к общей сети и выгрузку данных в облако.
Плюсы умной диагностики
У потенциальных клиентов неизменно возникает один и тот же вопрос: эффективная ли умная диагностика и стоит ли она своих денег. В подобных случаях мы приводим несколько примеров применения.
Один из клиентов Orange Business, французский производитель газовых отопительных котлов и водонагревателей e.l.m. leblanc (входит в структуру Bosch Group), внедрил схему предварительной диагностики на производстве. Основной причиной внедрения была необходимость повысить эффективность собственного конструкторского бюро, но схема аналогична внедрению диагностики на крупном производстве.
Orange Business предоставила e.l.m. leblanc кастомизированную платформу мониторинга и обработки данных на базе ПО Microsoft Azure. Она позволяет разработать индивидуальные решения для мониторинга оборудования, своевременной диагностики и технического обслуживания.
Система удаленного мониторинга отслеживает работу каждого котла и нагревателя и своевременно оповещает техников компании при возникновении проблем. Такая схема повышает эффективность технического обслуживания оборудования, своевременно выявляет и прогнозирует сбои в работе оборудования на основании анализа данных в режиме реального времени. Своевременные предупреждения о нарушениях в работе оборудования позволяют совершенствовать алгоритмы диагностики и анализа. Главными плюсами стали гибкий инновационный подход к техническому обслуживанию оборудования и высокая лояльность конечных пользователей.
Пример e.l.m. leblanc показывает, что умная диагностика уже стала отдельной технологией. Теперь производителям предстоит признать ценность оптимизации и повышения надежности производства. Это займет некоторое время — скорее всего, несколько лет. Схемы умной диагностики сначала будут применяться к отдельным, критически важным узлам производственных линий.
Перспективы
Важно отметить, что умная диагностика не решит моментально все проблемы производства. Она не дает ответы на вопросы о том, что и как производить, не предлагает готовую концепцию успешного бизнеса. Даже изменения в подходах к управлению производством и персоналом должны быть поддержаны руководством компании, внедряющей схемы умной диагностики. Но руководители крупных заводов заметят, насколько снизится время простоев, непредвиденные затраты на обслуживание оборудования, операционные риски и как это скажется на эффективности производства.
Подробнее о том, как увеличить показатели скорости и эффективности производства на любой стадии производственного цикла, повысить операционную прибыль и получить новые конкурентные преимущества, читайте здесь.
Контроль и мониторинг промышленного оборудования с использованием платформы MindSphere компании Siemens
Статья посвящена обзору возможностей мониторинга, контроля и предиктивной диагностики промышленного оборудования с помощью открытой платформы интернета вещей (IoT) MindSphere компании Siemens и приложений для этой платформы.
ООО «Сименс», г. Москва
Поддержание конкурентоспособности в современном производстве требует от компаний не только выпуска продукции самого высокого качества, но и максимизации операционной эффективности в глобальных цепочках создания стоимости.
Одним из основных факторов, оказывающих давление на рентабельность в различных отраслях промышленности, являются незапланированные простои и отказы оборудования, ведущие к остановке критических сегментов производства. Чаще всего эти проблемы связаны с отсутствием прозрачности в производительности и режимах работы машин и станков, которые не позволяют прогнозировать и предотвращать сбои систем. Согласно последним исследованиям, только 5 % всех доступных промышленных данных используются предприятиями для повышения операционной эффективности (рис. 1).
Рис. 1. Предприятия используют менее 5 % доступных данных. Решения принимаются реактивно, а не проактивно
Одним из способов, которым компании могут минимизировать риск незапланированных простоев и связанных с ними убытков, является мониторинг и предиктивная диагностика состояния оборудования. Мониторинг производства включает сбор данных о параметрах работы оборудования, аварийных сигналах, расчет ключевых показателей эффективности (KPI), поиск аномалий в отношении заданных диапазонов управления, обеспечение прозрачности данных, контроль эффективности и информирование о необходимости проверки оборудования. Мониторинг требует точных и непрерывных входных данных из самых разных датчиков и параметров в режиме реального времени.
Данные реального времени в комбинации с цифровыми двойниками (моделями работы оборудования) позволяют не только своевременно информировать оператора о сбоях или отклонениях параметров производства, но и предупреждать эти события до того, как они произойдут, тем самым предотвращая аварийные ситуации. Предиктивное обслуживание позволяет компаниям идентифицировать сигналы, такие как внезапные всплески или необычное сочетание параметров, пусть даже в пределах нормальных рабочих диапазонов, чтобы предсказать, для какого оборудования требуется техническое обслуживание. Это позволяет компаниям эффективно планировать профилактическое обслуживание и избегать незапланированных простоев.
MindSphere – инструментарий и IoT-платформа для мониторинга
Для создания систем мониторинга и предиктивной диагностики производственного оборудования необходимо решить целый комплекс задач: подключить датчики, настроить системы сбора, передачи и хранения данных, создать модели работы оборудования, разработать алгоритмы анализа данных и прогнозирования, задать пороговые значения параметров и правила реагирования, разработать отчеты и панели отображения данных.
Платформы интернета вещей (IoT), к которым относится MindSphere компании Siemens, предлагают готовые инструменты и решения, позволяющие в короткие сроки создать и запустить в эксплуатацию системы мониторинга и диагностики оборудования с минимальными капитальными затратами.
MindSphere – это операционная система и облачная платформа интернета вещей, позволяющая подключать любые физические устройства и датчики к цифровому информационному пространству. Как операционная система IoT, основанная на облачных технологиях, MindSphere включает специальные приложения и решения для различных отраслей с использованием данных реального времени для мониторинга состояния оборудования. Благодаря применению MindSphere отпадает необходимость создавать и программировать решения IoT «с нуля». Алгоритмы и готовые функции, включенные в платформу, позволяют быстро построить систему мониторинга оборудования и легко ее адаптировать к потребностям компании.
Как показано на рис. 2, платформа MindSphere состоит из трех основных компонентов: собственно облачной платформы, приложений MindApps и инфраструктуры MindConnect для подключения источников и сбора данных.
Рис. 2. Высокоуровневая архитектура платформы MindSphere (увеличить изображение)
Облачная платформа занимает центральное место, обеспечивая все сервисы и интерфейсы, необходимые для работы инфраструктуры MindConnect и слоя приложений MindApps, разрабатываемых партнерами, заказчиками и компаниями концерна Siemens. В платформе MindSphere предусмотрено высокоэффективное хранилище IoT-данных MindStorage.
Программное обеспечение платформы MindSphere основано на решении с открытым исходным кодом Pivotal Cloud Foundry, которое выступает в качестве слоя абстракции от сред виртуализации аппаратных ресурсов (например, VMware vSphere, OpenStack, Microsoft Azure Stack). Таким образом, система позволяет запускать приложения без привязки к конкретному гипервизору облака. «Строительным блоком» платформы служит не виртуальная машина, а контейнер приложения, что значительно упрощает создание приложений для мониторинга. Сегодня платформа MindSphere развернута в облачной инфраструктуре Amazon Web Services. В ближайшее время ожидается версия для гипервизора Microsoft Azure Stack, включая частные и гибридные инсталляции (частное + публичное облако). Все эти возможности позволяют предприятиям не заботиться о масштабировании вычислительных ресурсов и баз больших данных. Благодаря модели PaaS (платформа как услуга) заказчик MindSphere может в любой момент расширить число источников, объем обрабатываемых данных или подключить алгоритмы их интеллектуальной обработки с минимальными инвестициями в инфраструктуру или без нее, оплачивая только подписку на услуги платформы по модели ‘pay as you go’*.
Благодаря комплексному решению MindSphere производственные компании могут сразу же задействовать все преимущества IoT-технологий и снизить время простоев оборудования. Базовый набор услуг MindSphere уже включает готовое приложение Fleet Manager, предоставляющее необходимые инструменты для анализа данных. Дополнительно на платформе доступны различные алгоритмы и прикладные библиотеки с открытыми интерфейсами программирования (API), например анализ сигналов, предсказание трендов, вычисление KPI, выявление аномалий и т. п.
Особое внимание в платформе MindSphere уделяется вопросам безопасности, конфиденциальности и надежности хранения данных. Все данные заказчиков на платформе хранятся в зашифрованном виде. Доступ к ним осуществляется через единый шлюз аутентификации MindSphere Gateway. В момент передачи на платформу данные защищены SSL/TLS-шифрованием с длиной ключа 256 бит. Все решения по обеспечению кибербезопасности, используемые в MindSphere, основаны на международных стандартах ISO 27001, IEC 62443 и других, что обеспечивает высочайший уровень защиты.
Подключение промышленного оборудования
Любой проект мониторинга оборудования с использованием технологий IoT требует подключения датчиков, сбора данных и их передачи на платформу для обработки. Инфраструктура для сбора данных MindConnect предлагает готовые программно-аппаратные решения, которые позволяют быстро подключить к платформе MindSphere различные источники информации по стандартным промышленным протоколам, таким как OPC UA и S7, или встроить программные шлюзы передачи данных в любое вычислительное устройство, обладающее необходимыми ресурсами. Для этого могут быть использованы готовые аппаратные IoT-шлюзы MindConnect Nano и MindConnect IoT2040.
Рис. 3. Аппаратные шлюзы для подключения к MindSphere: MindConnect Nano и IoT2040
Эти устройства позволяют подключать любые промышленные системы, датчики, ЧПУ, контроллеры по стандартным протоколам OPC UA (часть 8 спецификации «Доступ к данным») и Siemens S7 (например, для подключения контроллеров серий S7-3xx / S7-4xx / ET‑200S). Собранные промышленные данные буферизуются устройством, шифруются и передаются через интернет-каналы (протокол HTTPS c шифрованием SSL/TLS) в облачную платформу MindSphere для анализа и обработки. Для подключения шлюза к платформе достаточно внести его уникальный идентификатор, после чего производится его опознавание системой и обмен ключами доступа.
Шлюз MindConnect IoT2040 представляет собой модель начального уровня, эффективную с точки зрения стоимости и простоты установки (монтаж на стандартную DIN-рейку). Шлюз поддерживает чтение данных от 30 источников в секунду, буферизацию данных до 500 Мбайт и передачу данных на платформу каждые 10 секунд. Модель MindConnect Nano более производительная, с поддержкой чтения до 250 источников данных в секунду.
Если предприятию необходимо подключить нестандартные устройства или системы, то может быть использована готовая библиотека с открытым исходным кодом MindConnect Lib, которая позволяет встраивать программные агенты передачи данных в MindSphere практически в любое оборудование, оснащенное микропроцессором и аппаратным интерфейсом сопряжения. Разработанная на стандартном языке программирования ANSI C, библиотека MindConnect Lib не требует значительных аппаратных ресурсов и может быть портирована в любую операционную систему.
Дополнительно для расширения числа протоколов и устройств, подключаемых к MindSphere, могут быть использованы интерфейсы MindConnect IoT Extension, которые поддерживают большое число сторонних программных/аппаратных агентов и спецификаций передачи данных, например MQTT, SmartRest, Modbus RTU, Modbus TCP, CAN-bus, MMC, SPI, I2C, McASP и др.
Кроме того, возможность подключения и передачи данных на платформу MindSphere уже встроена во многие решения Siemens, например в ПЛК Simatic S7-1500, системы ЧПУ Sinumerik 840D, аппаратные модули для мониторинга двигателей Siemens Simotics IQ.
Обработка потоковых данных
Производственное оборудование, машины и станки могут создавать большие потоки данных и сигналы, генерируемые с высокой частотой. Анализ этих сигналов позволяет контролировать и прогнозировать работу оборудования, сравнивая данные реально функционирующей системы с ее цифровой моделью, выявлять аномалии и отклонения. Во многих случаях полностью передавать «сырые», необработанные исходные данные в облачную IoT-платформу неэффективно и дорого с точки зрения пропускной способности каналов связи.
Для решения задач обработки сигналов и потоковых данных платформа MindSphere предлагает дополнительные инструменты мониторинга и анализа состояния оборудования «на месте», то есть на производственной площадке. Подсистема CMS X‑Tools – это система мониторинга состояния (Condition Monitoring System, CMS) от Siemens, которая включает библиотеки и инструменты анализа сигналов. Интеграция CMS X‑Tools может обогатить решение на основе MindSphere эффективными возможностями спектрального и вибрационного анализа сигналов частотой до 192 кГц, динамической корреляции потоков данных, поиска аномалий и выявления трендов. Предварительно обработанные и сжатые данные затем передаются на облачную платформу MindSphere для последующего анализа, например, в контексте смежного оборудования и истории его работы.
Рис. 4. Предварительная обработка потоковых данных с помощью CMS X-Tools (увеличить изображение)
Программные компоненты CMS X‑Tools не нуждаются в специализированном оборудовании и могут быть установлены как на промышленные компьютеры производства компании Siemens, так и на любой стандартный компьютер или сервер под управлением ОС Windows. Решение поддерживает широкий набор быстро подключаемых устройств, которые не требуют дополнительных модулей интеграции с платформой MindSphere. К ним относятся, например, контроллеры Simatic S7-300/400/1200/1500, системы управления движением SIMOTION и SINAMICS, модули SIPLUS CMS 2000 и 4000, станции обслуживания SIMATIC Maintenance Station, серверы OPC UA.
Инструментарий CMS X‑Tools помогает выявлять аномальное поведение систем или повреждения механизмов на ранних стадиях благодаря глубокому анализу и мониторингу их работы в режиме реального времени. Это позволяет оптимизировать процессы производства и снизить затраты на техническое обслуживание за счет прогнозов состояния и запланированных остановок.
Готовые приложения для MindSphere
Открытый подход и модульные принципы построения MindSphere позволили быстро развить широкую экосистему партнеров, которые обогащают платформу своим опытом, знаниями и наработками в виде готовых приложений и модулей MindApps. Пользователь платформы может выбирать в онлайн-магазине MindSphere Store**, содержащем десятки готовых решений, приложения, подходящие для его задач и индустриальной специфики. Уже готовы приложения для химической, пищевой, фармацевтической, автомобильной отраслей промышленности.
Приложение Fleet Manager, включенное в базовый пакет услуг MindSphere, позволяет просмотреть весь парк подключенных устройств, выбрать параметры для анализа, задать диапазоны и пороговые значения сигналов, настроить правила реагирования на события. Пользователь может задать способы отображения и интервалы анализа данных, просматривать исторические данные.
Рис. 5. Основные возможности приложения Fleet Manager
Для мониторинга и анализа работы станков с ЧПУ разработано приложение Manage MyMachines. С его помощью предприятие может контролировать в режиме реального времени текущий статус станка и коды операций, процентовку подачи и шпинделя, историю событий и сбоев и т. п.
Рис. 6. Статус работы станков в приложении Manage MyMachines (увеличить изображение)
Приложение позволяет контролировать целый парк эксплуатируемых станков с их статусами на схеме цеха и (или) участка, оценивать эффективность их работы и загрузку. Оператор станков может анализировать историю их работы, настраивать оповещения об аварийных событиях, просматривать параметры в виде таблиц и диаграмм.
Задачи оптимизации производства, конечно, не ограничиваются только мониторингом и диагностикой промышленного оборудования. Нужно оперативно учитывать состояние склада, информацию от поставщиков и заказчиков, параметры качества сырья и продукции и т. п. Приложение Product Intelligence включает все необходимые интерфейсы и инструменты для сбора и анализа данных из различных источников (поставщиков, производителей и клиентов) в комбинации с промышленными данными. Решение позволяет осуществлять унификацию, поиск, фильтрацию и анализ данных с учетом контекста (например, для партии продукта, поставок комплектующих, условий производства или эксплуатации). Это обеспечивает возможность интеллектуального принятия решений, снижения затрат и времени на поиск источников проблем.
Предиктивная диагностика оборудования
Предиктивная (предсказательная) диагностика производственного оборудования позволяет предугадать наступление аварийной ситуации на основе анализа и мониторинга его текущего состояния и предсказания сбоев. В результате предприятие может заблаговременно предпринять действия для устранения проблемы или смягчения неблагоприятного эффекта. Дополнительным эффектом от предиктивной диагностики может стать переход от практики планово‑предупредительных ремонтов и ремонтов по событиям к техническому обслуживанию на основе фактического состояния оборудования, что снижает количество простоев на производстве и расходы на эксплуатацию.
Создание систем предиктивной аналитики и диагностики охватывает ряд этапов:
— первичный сбор эксплуатационных данных оборудования, включая историю его работы;
— анализ данных и построение прогностических моделей (на основе математических алгоритмов, обучения нейронных сетей, методов распознавания образов);
— верификация и проверка точности моделей.
Платформа MindSphere обладает всеми необходимыми инструментами для построения систем предиктивной диагностики. В пакет услуг MindSphere Predictive Learning входит набор алгоритмов и библиотек для создания предсказательных моделей с помощью методов глубокого машинного обучения, нейронных сетей и на основе математических моделей. В MindSphere готовые аналитические модули могут быть быстро сконфигурированы и подключены к источникам промышленных данных, отображающим работу промышленных систем.
Рис. 7. Создание прогностических моделей в модуле Predictive Learning (увеличить изображение)
C помощью модуля Data Science Workbench, входящего в пакет Predictive Learning, пользователи могут создавать и адаптировать модели, сохраняя их затем в хранилище Zeppelin Notebook. Каждый экземпляр модели может быть обучен на серии реальных данных, собранных в MindSphere, а результат анализа визуализирован. Модели могут быть созданы с использованием известных алгоритмов и наборов библиотек, таких как TensorFlow, Spark, NumPy, Scikit-learn, Keras, SciPy, Matplotlib, Pandas, а также библиотек распределенных вычислений, например MLib. У специалиста по анализу данных также есть возможность конфигурирования необходимых вычислительных ресурсов для работы моделей. Готовые функции инструментария Predictive Learning позволяют быстро анализировать и трансформировать большие массивы данных без необходимости программирования или создания скриптов. Это дает возможность создавать новые серии данных, которые могут быть применены на различных вариантах моделей или в другом хранилище моделей, что упрощает взаимодействие экспертов и специалистов из разных областей.
Примеры применения
Многие европейские производственные компании переходят на цифровые методы мониторинга и предиктивное обслуживание оборудования, активно контролируя его состояние и сокращая время простоев. Технологии и подходы, которые предлагает платформа MindSphere, позволяют осуществить такой переход достаточно быстро и без значительных начальных затрат.
Один из лидеров по производству сложных металлообрабатывающих центров и станков с ЧПУ компания Heller Maschinen und Technologie AG (Heller) поставила перед собой задачу обеспечить для своих заказчиков новый уровень мониторинга и обслуживания продукции. В качестве платформы мониторинга Heller выбрала решение Siemens MindSphere. Благодаря готовым программным агентам, встроенным в ЧПУ Sinumerik, интеграция с платформой MindSphere стала бесшовной. Для обеспечения непрерывного мониторинга станочного оборудования было создано специальное приложение HELLER4Services, которое можно заказать онлайн в магазине приложений MindSphere Store. Приложение позволяет снизить затраты на обслуживание станка в течение всего его жизненного цикла. На основе непрерывного анализа состояния сложной механической системы приложение предлагает сервисные мероприятия, которые предотвращают сбои и связанные с ними дорогостоящие простои. Новая цифровая услуга обеспечивает обзор состояния парка машин и анализ данных за любой период времени, а также синхронизацию данных о фазах процесса производства с сообщениями об ошибках, которые произошли.
Другой пример – реализация системы предиктивного обслуживания холодильных агрегатов и чиллеров серии Blue e+ компании Rittal на базе специализированного приложения MindSphere. Данные от оборудования (температура, напряжение, другие параметры) передаются в платформу MindSphere и используются для контроля состояния установленных систем и управления сервисным обслуживанием. За счет перехода к предиктивному обслуживанию обеспечивается повышение коэффициента эксплуатационной готовности оборудования и достигается 30‑процентное снижение затрат на эксплуатационную поддержку и сервисное обслуживание.
Крупнейший производитель безалкогольных напитков в Европе использует MindSphere для мониторинга и предиктивного анализа работы производственных линий. Ключевым элементом линий являются двигатели, число которых достигает 150. Отказ одного двигателя ведет к незапланированной остановке всей линии и, следовательно, к большим финансовым потерям. Для организации предиктивного обслуживания и своевременной замены двигателей были применены методы вибрационного анализа их работы. Результаты вибрационной аналитики, полученные с помощью инструментов CMS X‑Tools, передаются на платформу MindSphere, которая в режиме реального времени контролирует состояние всех двигателей в производственной системе, предсказывает возможные сбои на основе математических моделей, заблаговременно оповещает персонал о необходимости ремонтных работ. В результате удалось повысить выход готовой продукции на 15 % за счет снижения времени простоев и улучшения производственных процессов.
Методы и инструменты цифрового мониторинга и предиктивного обслуживания промышленного оборудования активно развиваются во всем мире. Ключевая роль в этих изменениях принадлежит открытым платформам IoT, к которым относится MindSphere. Чтобы оставаться конкурентоспособными, повысить прозрачность и время бесперебойной работы систем, производственным предприятиям необходимо активно внедрять IoT-технологии.
Услуги и инструменты MindSphere позволяют компаниям быстро подключить существующий парк оборудования и получить первые результаты цифровизации, используя готовые приложения – без необходимости создания собственной ИТ-инфраструктуры и сложных программных стеков. Управляемая облачная модель дает возможность без ограничений расширять функциональность и масштабировать мощность системы мониторинга с предсказуемым уровнем финансовых затрат.
Платформа и операционная система от Siemens предлагает полное (end to end) решение, начиная от инфраструктуры подключения и до инструментов предиктивной аналитики и машинного обучения. MindSphere не только обеспечивает мониторинг состояния оборудования, но и дает операторам и обслуживающему персоналу централизованное представление о рабочих характеристиках и состоянии процессов производства. Технологии предиктивной аналитики MindSphere позволяют точно определить, когда нужно выполнить обслуживание промышленных систем, и тем самым сократить затраты предприятий.
Литература
1. Бекасов Д. Возможности «Сименс» для цифровой трансформации промышленных производств // Тематическое приложение «IIoT» к Control Engineering Россия. 2018. № 5.
2. MindSphere – облачная, открытая операционная система для интернета вещей, способствующая цифровой трансформации бизнеса // CAD/CAM/CAE Observer. 2017. № 6.
3. Соколов Д. И., Соловьев С. Роль открытой операционной системы IIoT MindSphere в цифровой трансформации промышленных предприятий // Автоматизация в промышленности. 2008. № 7.
____________________________
*Англ. выражение ‘pay as you go’ в данном случае подразумевает оплату только за потребленные услуги.
**Будет доступен для пользователей на территории Российской Федерации в ближайшее время.
Статья опубликована в журнале «ИСУП» № 4(76)_2018
Д. И. Соколов, эксперт по развитию направления MindSphere,
С. Ю. Соловьёв, к. т. н., руководитель Центра компетенций,
департамент «Цифровое производство»,
ООО «Сименс», г. Москва,
тел.: +7 (495) 737-1737,
e‑mail: icc.ru@siemens.com,
сайт: www.siemens.ru
Реклама. ООО «НПО РИЗУР» ИНН 6234114269 LjN8KASZz