L’apprendimento automatico non è sufficiente: programma di analisi avanzata per sistemi di pompaggio

La creazione di una soluzione più robusta e flessibile in grado di convalidare le anomalie del mondo reale e adattarsi alle mutevoli politiche IT richiede un approccio end-to-end che combini know-how tecnologico, competenza sulle apparecchiature ed esperienza operativa.

Dr. Marc Heggemann e Seth Tate di Sulzer spiegano perché il machine learning deve essere aumentato per garantire un risultato positivo e come dovrebbe essere fornita una soluzione adeguatamente integrata.

I sistemi di pompaggio, in particolare quelli classificati come "ad alta energia", forniscono materie prime, come petrolio, gas e acqua, agli impianti di lavorazione prima che vengano trasformate in prodotti utilizzati nella vita quotidiana. L'analisi dello stato di salute degli asset per ottimizzare le operazioni di funzionamento e manutenzione fornisce il vantaggio competitivo nella produzione e nel trasporto e quindi la motivazione per l'introduzione del machine learning.

Misurazione del successo
Le soluzioni di analisi avanzate che mirano a migliorare le prestazioni aziendali possono essere considerate efficaci solo se forniscono un vantaggio misurabile per la sicurezza, l'ambiente o le finanze aziendali. Fin dall'inizio, la soluzione deve essere flessibile e end-to-end capace, al fine di raggiungere gli obiettivi aziendali.

In quanto tali, queste soluzioni digitali sono un abilitatore di valore, offrendo alle operazioni l'opportunità di intraprendere l'azione migliore sulla base dell'intelligenza fornita. I sistemi di pompaggio possono variare notevolmente in base al design e al costo. Il funzionamento delle pompe ad alta energia o di quelle con fluidi ad alto rischio fino al punto di guasto può facilmente avere implicazioni di gran lunga superiori a 100.000 USD per evento.

Tuttavia, l'utilizzo di una soluzione digitale per prevedere con precisione le condizioni pre-guasto dei componenti del sistema di pompaggio e quindi eseguire azioni correttive è tutt'altro che un processo semplice. In effetti, la creazione di una soluzione che raggiunga gli obiettivi dell'azienda e offra la flessibilità necessaria per adattarsi ai cambiamenti futuri richiede una notevole esperienza nella progettazione del sistema e una conoscenza storica delle apparecchiature. Ciò è spiegato al meglio utilizzando un'installazione reale in cui l'operatore stava cercando una soluzione di gestione delle risorse efficiente.

Case study: impostazione dei criteri
Un grande impianto di energia solare, gestito da una società che ha siti in tre continenti, desiderava migliorare ulteriormente il proprio programma di manutenzione predittiva rispettando le motivazioni del progetto e le politiche sui dati aziendali. Una soluzione di analisi avanzata richiede la sicurezza dei dati basata su politiche aziendali individuali, nonché la capacità di cambiare e crescere nel tempo con queste politiche.

In questo caso, l'operatore stava già eseguendo l'analisi dei dati e il rilevamento delle anomalie con un team di data science. Il ruolo di Sulzer era quello di aumentare il loro approccio e, lavorando a stretto contatto con loro, fornire analisi che completano il loro lavoro esistente. Sulzer ha illustrato le capacità e i vantaggi di BLUE BOX ™ e come una collaborazione consentirebbe loro di raggiungere i propri obiettivi.

Durante l'onboarding, il processo di caricamento dei dati storici ha iniziato ad addestrare gli algoritmi di apprendimento automatico. Una volta completato, è stato creato un canale aperto per nuovi punti dati e il monitoraggio è iniziato. Durante questo processo, si sono svolte riunioni settimanali per discutere tutte le attività, inclusa la qualità dei dati, e sono stati evidenziati eventuali problemi con il sistema di pompaggio. L'interazione tra i gruppi mirava a fornire una migliore qualità dei dati e meno problemi di sistema, nonché vantaggi di formazione reciproca.

Controllo dei dati
Come parte del processo di ricezione delle informazioni dallo storico dei dati, è necessario eseguire un controllo dell'integrità dei dati, che è essenzialmente un controllo dei dati operativi; evidenziando eventuali problemi che devono essere risolti. Ci vuole una comprensione non solo dei dati ma anche dell'apparecchiatura e dell'applicazione per essere in grado di farlo.

Ad esempio, uno dei punti dati ricevuti era la corrente del motore. Grazie alla competenza sulle apparecchiature e all'esperienza operativa, era chiaro che si trattava di dati non validi. Ulteriori indagini in loco hanno rivelato che i dati inviati non erano l'amperaggio, ma invece la resa percentuale; i tag di dati sul sistema di controllo di supervisione e acquisizione dati (SCADA) non erano corretti.

È essenziale che la qualità dei dati faccia parte del processo di analisi, non solo durante la configurazione iniziale, ma anche continuamente per tutto il periodo del programma di analisi avanzata. Nel caso della BLUE BOX, è un'attività continua ogni volta che viene rilevata un'anomalia. È fondamentale che un programma di analisi avanzata non suggerisca mai un'azione basata su una cattiva intelligenza.

Rilevamento di anomalie
I modelli matematici apprendono dai dati storici per identificare modelli simili. Tuttavia, in questa applicazione, i guasti alle pompe non si verificano molto spesso e la maggior parte degli operatori non ha la cronologia delle operazioni e della manutenzione prontamente disponibile in un formato digitalizzato. Per questo motivo, Sulzer sfrutta tecniche di apprendimento automatico senza supervisione, in cui i modelli vengono addestrati con la storia operativa recente delle pompe insieme alla modellazione fisica delle pompe.

Tornando all'esempio, non molto tempo dopo che il problema SCADA è stato risolto, BLUE BOX ha segnalato quattro anomalie su una singola pompa per un paio di giorni, in cui le prestazioni dell'asset si sono discostate dallo stato di integrità. Il team di data science in loco stava anche eseguendo, in background, i propri algoritmi e ulteriori indagini hanno rilevato un evento anormale simile per lo stesso periodo.

Combinando i due set indipendenti di risultati, è stato possibile convalidare le informazioni e concludere la presenza di una condizione di pre-guasto all'interno del motore. L'analisi della potenza del motore e della velocità dell'albero aveva identificato un cuscinetto in condizioni di pre-guasto, ma molto al di sotto dei limiti di allarme per vibrazioni e temperatura.

Agire in base alle informazioni ricevute
Senza una conoscenza approfondita dei sistemi di pompaggio e la mancanza di altri allarmi, alcuni operatori potrebbero scegliere di non seguire il supporto decisionale fornito da un sistema di manutenzione predittiva. I vantaggi di questi sistemi si ottengono solo se l'operatore si fida delle informazioni fornite.

Questo è il punto, per Sulzer, in cui gli specialisti dell'ottimizzazione delle apparecchiature (EOS) vengono alla ribalta. Basandosi sulla BLUE BOX come base comune per il coinvolgimento dell'operatore, questi esperti rispondono alla necessità di capacità tecniche ed esperienza per integrare le intuizioni, ad esempio su un'anomalia rilevata, offrendo consulenza di esperti all'operatore e consentendo di elaborare un piano d'azione formulato. La collaborazione tra il personale del sito e l'EOS consente di definire le opzioni, insieme alle azioni, ai tempi e ai vantaggi richiesti. Da qui, le informazioni possono essere fornite ai decisori, con prove a supporto, per consentire loro di fare una scelta ben informata.

Una soluzione trasforma le anomalie in intuizioni e le intuizioni in azioni. Le soluzioni digitali forniscono supporto decisionale, tuttavia, nessuna soluzione è di valore senza connettersi all'azione. In definitiva, l'apprendimento automatico da solo ha vantaggi limitati, ci sono molti altri aspetti che devono essere combinati per fornire una soluzione end-to-end.

La qualità dei dati deve avere un controllo continuo della realtà. Ci vuole una conoscenza esperta di come il design dell'attrezzatura fisica è rappresentato in un formato digitale, per proteggersi dai falsi positivi e reagire alla vera intelligenza.

La sicurezza dei dati è fondamentale, senza soddisfare la politica di sicurezza aziendale, il progetto non decollerà mai. Qualsiasi modifica a questa politica deve essere adattata, quindi la soluzione di analisi deve essere flessibile.

La BLUE BOX di Sulzer è un buon esempio di come l'apprendimento automatico può essere combinato con una vasta conoscenza delle pompe che deriva dall'essere un produttore di apparecchiature originali (OEM) per consentire la pianificazione delle azioni, mantenendo i costi al minimo ed evitando i tempi di fermo ove possibile.