L’apprentissage automatique ne suffit pas: programme d’analyse avancée pour les systèmes de pompage

Construire une solution plus robuste et flexible, capable de valider les anomalies du monde réel et de s'adapter à l'évolution des politiques informatiques, nécessite une approche de bout en bout qui combine savoir-faire technologique, expertise des équipements et expérience d'exploitation.

Dr. Marc Heggemann et Seth Tate de Sulzer expliquent pourquoi l'apprentissage automatique doit être augmenté pour garantir un résultat positif et comment une solution correctement intégrée doit être fournie.

Les systèmes de pompage, en particulier ceux classés comme «à haute énergie», livrent des matières premières, telles que le pétrole, le gaz et l’eau, aux usines de transformation avant qu’elles ne soient transformées en produits utilisés dans la vie quotidienne. L'analyse de la santé des actifs pour optimiser les actions d'exploitation et de maintenance fournit un avantage concurrentiel dans la production et le transport et donc la motivation pour introduire l'apprentissage automatique.

Mesurer le succès
Les solutions d'analyse avancées qui visent à améliorer les performances de l'entreprise ne peuvent être considérées comme réussies que si elles apportent un avantage mesurable pour la sécurité, l'environnement ou les finances de l'entreprise. Dès le départ, la solution doit être flexible et capable de bout en bout, afin d’atteindre les objectifs de l’entreprise.

En tant que telles, ces solutions numériques sont un catalyseur de valeur, donnant aux opérations la possibilité de prendre les meilleures mesures en fonction des renseignements fournis. Les systèmes de pompage peuvent varier considérablement par leur conception et leur coût. Faire fonctionner des pompes à haute énergie, ou celles contenant des fluides à haut risque, jusqu'au point de défaillance peut facilement avoir des implications bien supérieures à 100 000 USD par événement.

Cependant, l'utilisation d'une solution numérique pour prédire avec précision les conditions de pré-défaillance des composants du système de pompage, puis effectuer des actions correctives est loin d'être un processus simple. En fait, la création d’une solution qui atteint les objectifs de la société et offre la flexibilité nécessaire pour s’adapter aux changements futurs exige une expertise considérable en conception de systèmes et une connaissance historique des équipements. Ceci est mieux expliqué en utilisant une installation réelle où l'opérateur recherchait une solution de gestion d'actifs efficace.

Étude de cas: définition des critères
Une grande installation d'énergie solaire, exploitée par une entreprise qui possède des sites sur trois continents, souhaitait améliorer encore son programme de maintenance prédictive tout en respectant la logique du projet et les politiques de données d'entreprise. Une solution d'analyse avancée nécessite une sécurité des données basée sur les politiques individuelles de l'entreprise ainsi que la capacité de changer et de se développer au fil du temps avec ces politiques.

Dans ce cas, l'opérateur effectuait déjà une analyse des données et une détection d'anomalies avec une équipe de science des données. Le rôle de Sulzer était d’augmenter leur approche et, en travaillant en étroite collaboration avec eux, de fournir des analyses qui complètent leur travail existant. Sulzer a décrit les capacités et les avantages de BLUE BOX ™ et comment une collaboration leur permettrait d'atteindre leurs objectifs.

Lors de l'intégration, le processus de téléchargement des données historiques a commencé à entraîner les algorithmes d'apprentissage automatique. Une fois terminé, un canal ouvert pour les nouveaux points de données a été créé et la surveillance a commencé. Tout au long de ce processus, des réunions hebdomadaires ont été organisées pour discuter de toutes les tâches, y compris la qualité des données, et tout problème potentiel avec le système de pompage serait mis en évidence. L'interaction entre les groupes visait à fournir une meilleure qualité des données et moins de problèmes de système ainsi que des gains de formation mutuels.

Vérification des données
Dans le cadre du processus de réception des informations de l'historien des données, il est nécessaire d'effectuer une vérification de l'intégrité des données, qui est essentiellement un audit de leurs données opérationnelles; mettre en évidence tous les problèmes qui doivent être résolus. Il faut une compréhension non seulement des données, mais aussi de l'équipement et de l'application pour être capable de le faire.

Par exemple, l'un des points de données reçus était le courant du moteur. Grâce à l'expertise de l'équipement et à l'expérience d'exploitation, il était clair qu'il s'agissait de mauvaises données. Une enquête plus approfondie sur place a révélé que les données envoyées n'étaient pas de l'ampérage, mais plutôt un pourcentage de rendement; les étiquettes de données du système de contrôle de supervision et d'acquisition de données (SCADA) étaient incorrectes.

Il est essentiel que la qualité des données fasse partie du processus d'analyse, non seulement lors de la configuration initiale, mais également en continu tout au long de la période du programme d'analyse avancée. Dans le cas de BLUE BOX, il s'agit d'une tâche continue à chaque fois qu'une anomalie est détectée. Il est essentiel qu'un programme d'analyse avancé ne suggère jamais une action basée sur une mauvaise intelligence.

Détection d'anomalies
Les modèles mathématiques apprennent des données historiques pour identifier des modèles similaires. Cependant, dans cette application, les pannes de pompe ne se produisent pas très souvent et la plupart des opérateurs n'ont pas l'historique de fonctionnement et de maintenance facilement disponible dans un format numérisé. Pour cette raison, Sulzer exploite des techniques d'apprentissage automatique non supervisées, dans lesquelles les modèles sont formés avec l'historique opérationnel récent des pompes ainsi que la modélisation physique des pompes.

Revenant à l'exemple, peu de temps après la résolution du problème SCADA, BLUE BOX a signalé quatre anomalies sur une seule pompe pendant quelques jours, où les performances de l'actif s'écartaient de l'état sain. L'équipe de science des données sur site exécutait également, en arrière-plan, ses propres algorithmes et une enquête plus approfondie a révélé un événement anormal similaire pour la même période.

En combinant les deux ensembles de résultats indépendants, il a été possible de valider les informations et de conclure à la présence d'une condition de pré-panne dans le moteur. L'analyse de la puissance du moteur et de la vitesse de l'arbre avait identifié un roulement qui était en état de pré-défaillance, mais bien en deçà des limites d'alarme pour les vibrations et la température.

Agir sur les informations reçues
Sans une compréhension approfondie des systèmes de pompage et l'absence d'autres alarmes, certains opérateurs peuvent choisir de ne pas suivre l'aide à la décision fournie par un système de maintenance prédictive. Les avantages de ces systèmes ne sont obtenus que si l'opérateur fait confiance aux informations fournies.

C'est le point, pour Sulzer, où les spécialistes de l'optimisation des équipements (EOS) sont au premier plan. S'appuyant sur BLUE BOX comme base commune pour s'engager avec l'opérateur, ces experts répondent à un besoin de capacité technique et d'expérience pour compléter les informations - comme sur une anomalie détectée - en offrant des conseils d'experts à l'opérateur et en permettant à un plan d'action d'être formulé. La collaboration entre le personnel du site et l'EOS permet de définir les options, ainsi que les actions requises, les délais et les avantages. À partir de là, les informations peuvent être transmises aux décideurs, avec des preuves à l'appui, pour leur permettre de faire un choix éclairé.

Une solution transforme les anomalies en informations et les informations en actions. Les solutions numériques fournissent une aide à la décision, cependant, aucune solution n'a de valeur sans se connecter à l'action. En fin de compte, l'apprentissage automatique en soi présente des avantages limités, plusieurs autres aspects doivent être combinés pour fournir une solution de bout en bout.

La qualité des données doit faire l'objet d'un contrôle continu de la réalité. Il faut une connaissance approfondie de la façon dont la conception de l'équipement physique est représentée dans un format numérique, pour se protéger des faux positifs et réagir à la véritable intelligence.

La sécurité des données est primordiale, sans respecter la politique de sécurité de l'entreprise, le projet ne décollera jamais. Toute modification de cette politique doit être prise en compte, la solution d'analyse doit donc être flexible.

La BLUE BOX de Sulzer est un bon exemple de la façon dont l'apprentissage automatique peut être combiné avec une connaissance approfondie des pompes provenant du fait d'être un fabricant d'équipement d'origine (OEM) pour permettre de planifier des actions, de réduire les coûts au minimum et d'éviter les temps d'arrêt dans la mesure du possible.