JZGKCHINA
工控技术分享平台
对关键工业设备和流程进行预测性和主动维护有助于减少计划外停机时间并提高流程可用性和稳定性。用于过程数据分析的人工智能 (AI) 方法可以为工厂操作员提供决策支持和预测性工厂维护策略所需的见解。让我通过一个具体项目为您带来更多见解。
该项目旨在创建一个基于人工智能的解决方案，使用我们的设备预测分析应用程序 SiePA 对岩石磨机进行预测性维护。SiePA（西门子预测分析）代表了一种基于机器学习与领域专业知识集成的模型训练软件解决方案。它旨在支持预先警报/预测关键设备状况以及基于自然语言处理的问题识别。SiePA还提供集成仪表板，专注于用户交互支持和数据可视化，使用户能够监控按子系统分组的设备传感器。
异常作为流程优化的基础
通过使用 SiePA，该项目旨在根据传感器之间的相关性，帮助工厂操作员预测过程中多个点的故障。许多过程关键设备发生故障之前都会出现过程数据异常。SiePA 专为识别此类异常而设计。因此，此类诊断是通过从历史数据中提取预测模型来实现的，并通过先进的机器学习算法来完成。根据常见流程中的众多变量来评估潜在的大量异常，需要领域专家的参与。因此，我们通过领域专业知识和咨询服务强化了 SiePA 数据分析工具，以促进给定流程中异常的定义。此外，将异常检测集中在与设备或过程性能特别相关的过程变量上可以降低复杂性，同时提高许多应用的可用性。
计算相关性并创建模型
基于历史数据，SiePA 系统自动计算传感器如何相互关联，以定义建模过程的起点。一旦建立了相关性，就会在领域专家的支持下评估和增强结果。这样做的目的是将领域知识集成到建模过程中，从而创建高质量的模型，该模型能够比仅仅依赖相关性更好地检测潜在风险。
训练模型
由于 SiePA 的目的是在目标传感器出现异常行为时通知用户，因此我们必须首先确定传感器的正常行为是什么。因此，系统需要使用设备运行“健康”时期的历史运行数据进行“教育”，以便了解正常行为。
仪表板和警报
系统设置完毕后，操作员就可以在仪表板上监控其子系统。如果检测到异常，系统会发出警报。警报分为低风险或高风险。一般来说，该系统提供所有受监控设备的概览以及现代化的仪表板，显示相关信息的详细状态。
执行
这些方法和工具被应用于磨削磷岩石过程的具体情况。我们的数据科学家和内部领域专家对工厂中的流程和资产进行了分析——开采的岩石在分类和进一步加工之前进行研磨。然后，产品通过气流从研磨机运输到分选机，并再循环到研磨过程中。通过使用六个月获得的数据，我们的数据科学家和内部领域专家借助 SiePA 分析了工厂流程和资产。考虑到该工厂是一个典型的棕地设施，这项研究还需要将标签与过程中探针的位置相匹配，以及识别丢失的数据并确保数据命名和值的一致性。因此，随后应用 SiePA 分析，旨在检测和预测铣削过程中的多个故障。
实现磨辊的预防性维护
例如，分析表明，SiePA 可以成功用作通过建模检测设备逐渐磨损的工具；在这种情况下，可以识别滚筒的劣化情况，从而将其与低质量原材料区分开来。我们证明了 SiePA 可以检测磨辊行为的缓慢变化，并在多变量的基础上区分正常/习得的变化与异常变化。通过检测目标传感器不断增加的偏差，该分析可以帮助操作员跟踪设备的变化，并支持他们调整设置和规划维护。
总结和未来
经过过程数据培训后，SiePA 解决方案显示出能够生成传感器故障或设备恶化的早期预警，以及检测多个相关传感器系统中过程的缓慢变化。这些早期预警以及应用程序与不同维护、维修和大修 (MRO) 系统连接的能力，可以有效地用作特定预防性维护工作流程的触发器。
通过即将推出的 V3.0，SiePA 还可以根据分析原始振动数据来预测故障。针对不同设备类型的建模模板的集成将我们的产品提升到了一个新的水平，引导客户完成领域专家驱动的工作流程。
化学品生产的高质量需求、成本压力、持续的规格变化和最终使用要求是执行 SiePA 批量工艺的触发因素。第一个全球版本的重点是批量生产透明度、最佳（黄金）批次识别以及人工智能支持的异常实时检测。
