HOME > 关于阿自倍尔 > 研究开发 > azbil techne - 研究开发的实例 > 在“先兆”阶段提早发出设备及过程/质量异常通知的异常先兆检测系统

在“先兆”阶段提早发出设备及过程/质量异常通知的异常先兆检测系统

在线异常先兆检测系统

应用IoT技术及机器学习技术,开发出了全面监视装置及工厂中运转的过程及设备状态的在线异常先兆检测系统。其特点是通过使用了模糊神经网络的机器学习,学习从长期的操作数据到正常的状态,并与操作中的数据进行实时比较,早期检测出异常的先兆。提升过程和设备的状态监视精度的同时,支持稳定且安全的操作。

背景/需求

通过IoT和机器学习从先兆阶段捕捉机器及设备的异常

在工厂及装置中,有许多机器及设备一边进行复杂的合作一边运转。为了维持稳定且安全的操作,还必须确保这些设备及机器无故障地持续运转。
但是,有时会因为磨损、污垢、腐蚀、零部件寿命或者是偶然的原因发生缺陷或故障,导致操作停止、质量低下等问题,有时甚至会导致事故的发生。
因此,机器及设备的维护管理极为重要,为了将故障防患于未然,通常定期进行检查及维护。这称为“定期检修(Times Based Maintenance:TBM)”。
另一方面,近年来在IT技术进步的同时,从依靠人力进行的检查及维护向前迈进了一步,检测设备及机器的状态,对感应到的数据进行解析,早期发现故障并采取对策的工作正在扩展。

此种方式是通过状态来判断,所以也称为“状态检修(CBM)”。   近来,随着意味着第四次工业革命的“Industrie 4.0”,以及物联网“IoT:Internet of Things”的工业版“IIoT :Industrial IoT”等的普及,相关技术的实际应用也正在推进中。

阿自倍尔根据这些工厂及装置的数据驱动型生产管理的潮流,应用了IoT技术及机器学习技术,开发出了从先兆阶段捕捉机器及设备异常的在线异常先兆检测系统(图1)。

图1. 通过机器学习对操作数据进行分析,从而检测从正常状态发生偏离的阿自倍尔的在线异常先兆检测系统

图1. 通过机器学习对操作数据进行分析,从而检测从正常状态发生偏离的阿自倍尔的在线异常先兆检测系统

采用了机器学习方式之一的模糊神经网络(FNN:Fuzzified Neural Network)是在线异常先兆检测系统的卖点。其特点是预先根据积累的设备运转数据来学习“正常的状态”,将人和以往的监视系统无法察觉的微小异常与正确的状态进行比较,从而实现早期检测、迅速处理(图2)。

图2. 通过采用了模糊神经网络的机器学习,实现运行异常显现前的先兆阶段的检测

图2. 通过采用了模糊神经网络的机器学习,实现运行异常显现前的先兆阶段的检测

开发的要点

通过模糊神经网络对运行状况进行模拟评价

分析感应到的数据,进而检测设备异常的解决方案随着IoT的普及逐渐增多,并且最近还出现了采用机器学习的解决方案。

不过,这些技术经常把正常状态的一定偏离判断为异常,如果将偏离的范围(上限值及下限值的间隔)设小的话,就会出现错误检测增多,反之如果将偏离范围设大的话,虽然错误检测减少了,但是会产生检测灵敏度下降等问题。

因此,阿自倍尔在正常状态的学习及异常状态的检测中,采用了引入暧昧处理之“模糊”概念的“模糊神经网络”(图3)。

该系统首先将目前为止所积累的正常操作数据(大约几周到几个月)作为说明变量读取到FNN中进行学习,将视为正常的值的范围作为带有区间的估计值取得。

这里的操作数据是指与时间同时变化的测量值所组成的数据,例如外界温度、液体温度、压力、阀门开度、流速、生产线速度及pH值等。此外,不管数据是何种意思,因为只是学习各自的相关性,所以对传感器、设备/机器及对象过程的种类没有要求

接下来,将从传感器及设备实时发送过来的感应数据作为目的变量,与事先取得的估计值进行比较,例如“虽然在学习到的估计值的区间(正常值的范围)内,但是稍微偏离中值,而且这种偏离摇摆不定,随着时间而增加”等,算出与人类判断相接近的模拟“评价值”,并通过画面通知给管理员。

与以往单纯判断是否在上限值与下限值之间相比,可以在极为早期的阶段准确地发现异常的先兆,是采用了FNN的在线异常先兆检测系统的特点。

此外,该系统可以使用前一天的操作数据来定期更新通过学习估算出的值的范围(可信度区间),从而总是保持最新的“正确的状态”。

图3. 模糊神经网络的粗略流程和算出的评价值(红色图表)

图3. 模糊神经网络的粗略流程和算出的评价值(红色图表)

注重理解的难易度,设计用户界面

由于假定系统的查看终端(PC)安装在过程自动化和工厂自动化的现场,所以为了使机器学习等非专业的现场负责人也能够正确掌握过程设备的状态及异常,正在重视可理解性及可视性的前提下设计用户界面。

具体采用与现场广泛使用的DCS(分散控制系统)的普通画面相似的设计。例如“趋势监视图”中除了温度等干扰变量的值、设定值(SP)与当前值(PV)、表示正确状态的估计值和监视对象设备的当前状态外,还显示与FNN得出的估计值偏离多少的“评价值”,能够迅速掌握异常的先兆(图4)。

另一方面,让FNN学习原有的操作数据,并进行各种设定的配置画面采用了能够简单指定数据相关性等的简单的画面构成。其操作的简便性受到了引进公司的数据分析负责人的好评。

图4. 在重视可理解性的前提下设计出的查看画面

图4. 在重视可理解性的前提下设计出的查看画面

成果和今后的展望

证实能够在几小时甚至几个月前检测到异常先兆

在线异常先兆检测系统适用于装置及量产型生产线等能够连续取得设备数据的环境。

2017年1月开始提供以100传感器及400传感器为对象的打包许可,并向顾客提案本文开头讲述的“定期检修”的优化及“状态检修”的高精度化。此外,还提供在现有设备中添加感应功能,进行IoT化的技术咨询。

在使用化学装置等的企业协助下进行的验证中证实,如果引进该系统的话,可以在管理员判断为异常的5小时30分前掌握由喷嘴堵塞引起的流量计异常(图5)。此外,关于调节蒸汽的控制阀,证实可以从故障发生几天前开始捕捉工作异常的先兆,引进的有效性得到了确认(图6)。

如果在捕捉到先兆的时间点进行零部件更换等处理的话,不仅能够将装置、生产线的停止及其损失控制在最小,还能够将最坏的情况下可能发生的事故防患于未然。

在线异常先兆检测系统不仅能够检测机器的故障,还能够对与企业利益直接相关的过程及质量的异常先兆进行有效的检测,今后计划在各领域中推广。
虽然IoT及机器学习作为技术关键词从以前就开始成为人们的话题,但是作为实用的正式起飞才刚刚开始。阿自倍尔还考虑培养专业的数据分析高精尖人才,今后继续为装置自动化及工厂自动化的发展作贡献。


图5. 作为评价值的上升,从5个多小时前开始检测到流量计异常先兆的验证实例

图5. 作为评价值的上升,从5个多小时前开始检测到流量计异常先兆的验证实例

图6. 使用了过程自动化生产数据的模拟实例(摘录)

图6. 使用了过程自动化生产数据的模拟实例(摘录)

※ azbil techne 中的产品与服务因国家或地域而异。