Forudsige fremtidige nedbrud på en dampsluse

For en stor dansk produktionsvirksomhed, har vi undersøgt hvorvidt allerede eksisterende data kan skabe grundlag for at lave resterende brugbare levetids estimater.

Opsumering

Virksomheden troede oprindeligt, at de havde godt styr på deres vedligeholdelsesjournal, og at de havde ‘masser’ af nedbrud. Det viste sig dog igennem projektet, at detaljegraden i vedligeholdelsesjournalen varierede meget, og at antallet af nedbrud var mindre end først antaget. Dog, med hjælp fra Neurospace, blev der lablet nogle nedbrud som værende uplanlagte, og vores Cohen bibliotek blev brugt til at skabe Remaining Useful Life (RUL) modeller, som fangede de nedbrud, der havde en livscyklus længere end 1.5 måned.

Projektet

Gennem en AI Camp undersøgte vi hvorvidt historiske nedbrud er tilstrækkelige til at kunne forudsige den resterende brugbare levetid. Vi undersøgte således ikke blot om der er tilstrækkelige med uplanlagte nedbrud til at kunne lave en tilfredsstillende machine learning model, men ligeledes om data kvaliteten er tilstrækkelig.

Data inkludere sensor data såsom tryk og temperatur. Der er således ikke høj-frekvente vibrationsmålinger inkluderet i det tilgængelige datasæt. Virksomheden har ligeledes et mål om at modellen skal kunne forudsige den resterende brugbare levetid nøjagtigt ca. en måned inden nedbrudet opstår. Dette gør det muligt for virksomheden at bestille reservedele og planlægge vedligeholdelsen ind i en 24/7 produktion, hvor dampslusen er et kritisk komponent.

Ved analyse af noteret nedbrud i drift og vedligeholdelsesjournalen kan det dog verificeres at der i gennemsnit går under 1 måned mellem noteringer. Da det ikke er muligt at verificere om disse noteringer er planlagte driftstop, uplanlagte driftstop, eller løbende vedligehold såsom smørring af maskinen uden driftstop. Når der ikke er flere nedbrud som vare mere end en måned i dataen er det svært for en machine learning model at lære mønsteret. Derfor har virksomheden lært meget om deres datakvalitet, egne vedligeholdelsessituation og data.

Machine learning modellen som blev udarbejdet under AI Campen fangede trenden og nedbrud, når livscyklus var længere end halvanden måned. Den havde dog svært ved at finde en sammenhæng når der var meget kort i mellem driftsstop og sammenhængen til de forskellige komponenter. Dette kan forbedres ved at benytte højfrekvente vibrationssensorer eller ultralyd. Endvidere blev modellen påvirket af forebyggende vedligeholdelsestiltag da disse har stor indvirkning på den resterende brugbare levetid. Virksomheden har sammen med Neurospace bevist at der er potentiale i Predictive Maintenance for dem, men at de skal ændre deres vedligeholdelsesprocedure for at få det fulde udbytte.

De valgte efter denne indsigt at køre længere i mellem deres planlagte vedligehold og havde ikke nedbrud. Hvilket kunne tyde på at der foregår overvedligehold og at der er en større besparelse at hente.

Værdi for kunden

Kunden lærte under AI Campen at de skal være bedre til at notere forskellige typer nedbrud i deres drifts- og vedligeholdelsesjournal. Der skal skildres mellem hvornår man laver et forebyggende vedligehold, som ikke påvirker driften, et planlagt driftstop, og et uplanlagt driftstop. Endvidere fandt de ud af, at de måske slet ikke har så mange nedbrud, som de gik og troede, og mange af de nedbrud som opstår formegentlig er pludselige, og ikke forårsaget af slitage.

Kunden fandt også ud af at der er potentiale for predictive maintenance i deres produktion og at der er en business case, både iht. overvedligeholdelse men også bedre planlægning af vedligeholdet for at undgå nedetid.

Under AI Campen fandt de ligeledes ud af at de vibrationssensorer som er købt til andet udstyr, samler data op med for lav frekvens til at kunne udnytte dem til Predictive Maintenance.