Прогнозирование состояния технологического процесса

Введение

Основную роль на производстве занимают технологические процессы, отвечающие за изменение форм, размеров, физико-химических и других свойств продукции. В условиях крупносерийного, массового производства и автоматизации технологических процессов, а также в условиях жёсткой конкурентной борьбы качество выпускаемой продукции и оказания услуг вышло на первый план. Важнейшими параметрами технологических процессов является обеспечение стабильности работы технологического оборудования, качество выпускаемой продукции и оказания технически сложных услуг. 

Основная часть

Сегодня большое внимание уделяется возможности отслеживания в реальном времени сбоев в работе технологического оборудования с использованием интеллектуальных систем. Быстрое и своевременное обнаружение неисправности в работе агрегатов даёт наименьшие финансовые затраты на починку и восстановление работоспособности всего процесса, что, в свою очередь, повышает эффективность и производительность производства.

Алгоритмы искусственного интеллекта с большей эффективностью подходят для прогнозирования состояния всего технологического процесса.

Современные технологические процессы обеспечены необходимым количеством датчиков, позволяющих вести контроль и отслеживание различных параметров работы. Таких параметров может быть очень много. При решении задачи прогнозирования необходимо выбрать основные, которые оказывают наибольшее воздействие на объект исследования. Наиболее актуальными становятся решения этой задачи с применением методов машинного обучения. В основном, построение прогнозных моделей осуществляется на обучении на прецедентах, что зачастую не подходит для применения ко многим объектам исследования. При таком подходе требуется большая база знаний, основанная на статистике ремонта и сбоев, собираемая в течение большого времени наблюдения за объектом. Именно поэтому сегодня актуально повышение качества прогнозирования с целью своевременного определения состояния технологического процесса.

Основой метода обучения является выборка, состоящая из групп данных, в которых нет значений, соответствующих отказам, сбоям или аномальному режиму работы, то есть выборка состоит из групп значений, соответствующих нормальному режиму работы объекта исследования. Таким образом, обученная модель прогнозирует нормальный режим работы. При таком подходе затраченное время для сбора данных и начала работы системы прогнозирования сводится к минимуму.

В качестве примера работы и настройки алгоритма прогнозирования был выбран технологический процесс «Система автоматической мойки колес, арок и порогов автомобилей при въезде на закрытые автостоянки «МОЙДОДЫР-К-10» (далее – «Мойка»). Автомобиль по пандусу со скоростью около 3 км/ч въезжает в лёгкий экранирующий тоннель (рис. 1(2)), где установлены фотодатчики. При срабатывании датчиков включаются центробежные насосы (рис. 1(6, 6а)), осуществляющие подачу подогретой воды на блоки форсунок (рис. 1(1)). Из форсунок под действием электродвигателя струи воды под определёнными углами, динамически меняющимися, с высокой скоростью поступают в зоны основных загрязнений автомобиля: колёса, пороги и арки автомобиля. Отпадающие куски снега и льда продавливаются колесами в лоток (рис. 1(3)), тают и вместе с грязной водой попадают по сбросному трубопроводу в очистные сооружения. Центробежный насос является одним из основных составляющих в данном технологическом процессе. В случае если насос выйдет из строя, процесс не сможет функционировать. Центробежные насосы в любом технологическом процессе занимают основную роль, а также являются жизненно важными и дорогостоящими системами, которые потребляют большое количество энергии и требуют больших затрат на ремонт или замену.

Система прогнозирования состоит из трёх этапов: формирование моделей обучения, обучение нейронной сети, прогнозирование нормальной работы.

Первоначально формируются модели из групп параметров, собранных с узлов процесса и состоящих из значений, соответствующих нормальному режиму работы.

На этапе обучения происходит формирование обучающих выборок, количество которых соответствует количеству моделей обучения. Выборки подразделяются на группы, состоящие из n значений, и каждой группе соответствует фактическое состояние процесса в следующий момент времени, то есть правильным ответом на группу является нулевое значение следующей группы. На основе сформированных выборок происходит обучение модели. В качестве алгоритма обучения был выбран Random Forest. Данный алгоритм основан на построении множества решающих деревьев. Этот алгоритм машинного обучения является одним из наиболее часто используемых алгоритмов из-за его простоты и разнообразия (его можно использовать как для задач классификации, так и для задач регрессии). Для решения задачи прогнозирования состояния процесса лучше всего подходит регрессия дерева решений.

К основным преимуществам использования Random Forest для прогнозирования состояния процесса относится возможность выявления значимых параметров, оказывающих определяющее влияние на прогноз.

На третьем этапе на основе обученных моделей определяется возникновение критической работы процесса. Модели прогнозируют следующий временной период, и полученное значение сравнивается с фактическим. Производится расчёт отклонения прогнозного значения от фактического, при этом задаётся порог для отклонения. Если было зафиксировано определённое количество отклонений, то происходит сигнал о возможном прекращении выполняемости технологического процесса и указывается, какая модель выдаёт сигнал, что может послужить определению причины критической работы процесса.

В качестве параметров технологического процесса будут выступать значения с датчиков, установленных на центробежном насосе. Предоставленная выгрузка показаний датчиков составляет более 200 000 значений. Данные с двух датчиков собраны в базе данных в процессе эксплуатации. На рис. 2 зафиксировано 7 случаев отказа насоса.

На этапе обучения рассматриваемые данные с датчиков центробежного насоса делятся на выборки с группами, состоящими из 20 значений. После обучения алгоритма получаем две обученные модели для дальнейшего прогнозирования отказов агрегата.

В рассматриваемом технологическом процессе было определено отклонение прогнозного сигнала от фактического, которое составило 5%, что позволяет спрогнозировать нерабочее состояние центробежного насоса заранее.

В данном случае был определён порог в виде 95% и более случаев фиксации аномалий для последних 20 прогнозов.

Для проверки работоспособности алгоритма были взяты группы данных из выгрузки, близких к значениям отказа насоса, и поочередно по группам поданы в систему. Такой вариант позволил сымитировать работу системы в реальном времени, что также позволило быстро проверить правильность работы и настройки системы под данный процесс.

Изначально было известно, что насос 7 раз выходил из строя. Это показано на рис. 2. На рис. 3 (а…в) представлены графики, где рыжим цветом обозначена прогнозируемая величина, синим цветом фактическая, а красная вертикальная линия обозначает момент, в котором был спрогнозирован отказ насоса и подан сигнал об аномальной работе процесса.

На рис. 3 (а…в) видно, что после сигнала агрегат продолжал работу в аномальном состоянии и после некоторого количества циклов получал сбой.

На рис. 3г видно, что система не смогла вовремя спрогнозировать аномальную работу. По графику заметно, что значение датчика резко падает по сравнению с другими случаями аномальной работы. Возможно, данный случай был вызван вследствие жёсткой перезагрузки системы.

По результатам проведённых проверок аномальной работы агрегата определено, что 6 из 7 случаев сбоя были верно спрогнозированы. Причём сигнал о сбое поступал заранее, что в реальном случае даст время на остановку процесса и устранение причин возможной дальнейшей аномальной работы. 

Заключение

Предложенный алгоритм системы прогнозирования, основанный на искусственном интеллекте, подойдёт для любого технологического процесса и нового оборудования. С его помощью можно спрогнозировать отказ определённого узла до наступления критической работы процесса. Также система помогает повысить производительность технологических процессов, преждевременно выявить неисправность и, как следствие, уменьшить затраты на ремонт и обслуживание.

Литература