Článek ve formátu PDF je možné stáhnout
zde.
Neustále se zvyšující požadavky na všechny oblasti lidské činnosti přiměly průmyslové podniky více se zaměřit na kontrolu stávajících nákladů a dosažení maximálního přínosu z již vynaložených investic. Mezi hlavní priority podniků tak více než kdy dříve patří zvyšování spolehlivosti, bezpečnosti a výkonu provozovaných zařízení. Jedním ze způsobů, jak těchto cílů dosáhnout, je rozšíření již přijatých údržbových programů o systém prediktivní údržby (Predictive Maintenance). Firma Pantek (CS), autorizovaný distributor společnosti AVEVA, nabízí řešení pro prediktivní údržbu AVEVA Predictive Analytics.
Systém AVEVA Predictive Analytics umožňuje podnikům, zejména u kritických zařízení, minimalizovat poruchy a tím významně zvýšit úroveň spolehlivosti, výkonnosti a efektivity provozování. Systém vyhodnocuje, unifikuje a transformuje procesní data do přehledných výstupů, díky kterým mohou uživatelé snadněji činit kvalifikovaná rozhodnutí, a dokonce předejít hrozbě selhání výrobního zařízení.
Pracujte chytře
Využívání smysluplných dat ze systémů SCADA/HMI a informace, které tyto systémy zobrazují v kontextu a reálném čase, pomáhají zaměstnancům snadněji identifikovat anomálie ve výrobě a umožňují tak okamžitě zaměřit jejich pozornost na vznikající problémy. Úskalím tradičních systémů SCADA/HMI však je, že anomálie v chování sledovaných veličin jsou vyhodnocovány jen na základě překročení stanovených mezních hodnot. O případných problémech jsou proto zaměstnanci informováni až v okamžiku selhání či havárie zařízení.
V kontrastu s tímto chováním pracuje systém prediktivní údržby AVEVA Predictive Analytics na principu vyhodnocování odchylek mezi aktuálními a předpokládanými (predikovanými) hodnotami sledovaných signálů. Predikované hodnoty jsou uloženy v tzv. modelu chování zařízení, který si systém vytváří učením z dat archivovaných ve specializovaných procesních historizačních systémech, např. AVEVA Historian, OSIsoft PI aj. AVEVA Predictive Analytics je navíc možné kombinovat s dalšími produkty AVEVA APM (Asset Performance Management) pro údržbu a nabídnout tak uživatelům sadu nástrojů pro kompletní analýzu výkonnosti výrobních zařízení.
Předvídejte díky strojovému učení
Pro včasnou detekci potíží se spolehlivostí zařízení či jeho výkonem využívá AVEVA Predictive Analytics vlastní patentovaný algoritmus nazvaný OPTiCS, který využívá pokročilá rozpoznávání vzorů (Advanced Pattern Recognition) a strojové učení (Machine Learning). Pro systémy s nižší úrovní historické opakovatelnosti, vysokou úrovní šumu nebo procesem řízené systémy používá AVEVA Predictive Analytics přídavný modul s algoritmem nazvaným KANN, který využívá metodu umělých neuronových sítí. Uživatelé tak mohou vytvářet provozní modely s určitou sadou vstupů a výstupů a prostřednictvím přehrávání dat testovat, jak se budou výstupy vyvíjet. AVEVA Predictive Analytics se učí znát jedinečný provozní model zařízení za všech podmínek a provozních stavů. Historická data ze senzorů strojního zařízení jsou zpracovávána procesem pokročilého modelování a porovnávána s aktuálními provozními daty, aby bylo možné určit jemné odchylky od očekávaného modelu chování zařízení a upozornit na ně. Jakmile je problém identifikován, systém může pomoci při analýze příčin a poskytnout diagnostiku poruch, která uživateli pomůže pochopit příčinu a význam problému.
Zajistěte plynulost výroby
Díky včasným varovným oznámením o vznikajících potížích s výrobním zařízením lze omezit neplánované prostoje. Namísto okamžitého odstavení zařízení je možné situaci vyřešit jiným, méně radikálním zásahem. Díky lepšímu plánování dochází ke snížení nákladů na údržbu, náhradní díly je možné objednat a odeslat v předstihu a beze spěchu, zatímco zařízení může pokračovat v provozu.
Implementace snadno a rychle
Produkt AVEVA Predictive Analytics lze snadno integrovat s celou řadou historizačních řešení, řídicích a monitorovacích systémů. Aplikace může být implementována místně (on premise) nebo v cloudu. Systém je vysoce škálovatelný a lze jej použít k monitorování jednoho zařízení, konkrétního závodu nebo stovek vzdálených zařízení na více místech. Výsledky modelů AVEVA Predictive Analytics lze snadno propojit s dalšími podnikovými systémy pomocí webových služeb a dostupného rozhraní RESTful API.
(Pantek (CS), s. r. o.)
AVEVA – uživatelská konference ČR/SR 2021
Ve dnech 14. a 15. října 2021 se v Hradci Králové konala AVEVA – 27. uživatelská konference ČR/SR. Pořadatel, společnost Pantek (CS), byl příjemně překvapen velkým zájmem o fyzickou účast. V sále hotelu Tereziánský Dvůr se mohli účastníci seznámit s novinkami v nabídce firmy Pantek (CS) ze sortimentu firem AVEVA a AUVESY a v předsálí diskutovat u praktických ukázek.
O historii a současnosti firmy AVEVA zde hovořil David Blažek, ředitel pro obchodní kanály a partnerské firmy společnosti AVEVA v regionu Rusko, CIS a východní Evropa (rozhovor s ním plánujeme do některého z dalších čísel). Michal Křena z firmy Schneider Electric tu prezentoval základní průřez nabídkou firmy Schneider Electric. Došlo i na ukázky realizovaných projektů, z nichž samostatná prezentace byla věnována projektu využití softwaru AVEVA v RICE – Výzkumném a inovačním centru elektrotechniky FEL ZČU v Plzni, který realizovala firma Real Controls a na konferenci v Hradci Králové jej představil Petr Kříž. Celý řídicí systém zkušebny, kde se kromě softwaru AVEVA uplatňují řídicí systémy od firmy Beckhoff a systémy sběru dat NI, by stál za samostatnou reportáž.
Uskutečnilo se i tradiční vyhlášení integrátorů systémů roku ze Slovenska a Česka, letos dvojnásobné: za rok 2020 to byly firmy IS Industrial Solutions a ZAT, za rok 2021 PPA Energo a ElektroMAR. Čestné uznání získaly firmy Autmes (2020) a I & C Energo (2021).
Společnost I & C Energo se stala prvním certifikovaným integrátorem systému AVEVA Predictive Analytics v ČR. Hovořil jsem s jejich zástupci o tomto produktu a jeho plánovaném využití v praxi – např. právě v energetice, která je hlavním, i když ne jediným oborem, v němž firma působí.
Petr Bartošík
Obr. 1. Systém AVEVA Predictive Analytics umožňuje upozornit na rostoucí odchylky od optimálního provozního stavu dříve, než přesáhnou mez alarmu