Simon Jagers is oprichter van Semiotic Labs.

18 January

Slimme conditiemonitoring maakt het mogelijk om ongeplande stilstand van installaties te voorkomen en mensen en middelen efficiënt in te zetten. Kunstmatige intelligentie speelt daarbij een centrale rol. Simon Jagers van het Leidse Semiotic Labs legt uit hoe de combinatie van anomaliedetectie en classificatie van patronen in elektrische signalen waardevolle informatie oplevert over de gezondheid van industriële pompen.

Wanneer een industriële pomp uitvalt, dan brengt dat doorgaans hoge kosten met zich mee en risico’s voor de veiligheid van mens en milieu. Specialisten meten kritieke pompen daarom regelmatig en veelal handmatig door. Niet goed functionerende exemplaren, bijvoorbeeld met een afgebroken blad in de waaier, produceren trillingen die anders zijn dan wanneer ze in gezonde toestand draaien. Door deze trillingen te registreren met sensoren en de meetgegevens te analyseren, kunnen de specialisten de exacte oorzaak achterhalen en mitigerende maatregelen treffen.

In onder meer de petrochemische industrie is het echter onwenselijk om handmatig te meten. Het aantal pompen in een terminal is vaak te groot en de installaties staan ook nog eens opgesteld in explosiegevaarlijke gebieden. Daarnaast is het een kostbare zaak om vaste (trillings)sensoren te plaatsen. Het is erg duur om dataverbindingen te leggen en de meetsystemen moeten voldoen aan zeer strenge eisen.

De trillingen manifesteren zich echter niet alleen aan de buitenkant van de pomp, maar verplaatsen zich via de as van de pomp, de koppeling en de as van de motor ook naar het luchtveld tussen de stator en de rotor van de motor. Hierdoor ontstaan rimpelingen op de stroomsinus. Uit de elektrische signalen kunnen we dus gedetailleerde informatie halen over de trillingen en daarmee de gezondheid van een pomp. En die signalen kunnen we gewoon meten in de schakelkast, die per definitie buiten de explosiezone staat.

Sam4 meet elektrische signalen vanuit de schakelkast.

Vingerafdrukken

Precies zo bewaken we bij Semiotic Labs de pompinstallaties voor klanten in onder meer de petrochemie. Met onze Smart Asset Management-oplossing Sam4 meten we de elektrische signalen in de schakelkast. Die gegevens sturen we via een 4g-verbinding naar ons platform in de cloud, waar we de data omzetten in informatie over de conditie en prestaties van de pompen. Bij deze geautomatiseerde analyses passen we kunstmatige intelligentie toe: anomaliedetectie om vast te stellen of er sprake is van mogelijke schade en classificatie om de exacte oorzaak van falen te bepalen.

Anomaliedetectie is een techniek die afwijkingen in patronen herkent zonder dat we vooraf hoeven te programmeren waaraan zo’n afwijking moet voldoen. Bij onze conditiemonitoring zijn de algoritmes continu op zoek naar patronen die afwijken van het gezonde gedrag. Waar het systeem op moet letten, leert het in een automatisch proces van zo’n vier weken, waarbij we elektrische signalen meten en deze omzetten in patronen van gezond gedrag. Na deze inleerperiode hebben we voor elke pomp een set van patronen die kenmerkend zijn voor die pomp in gezonde toestand. Afwijkingen hiervan wijzen op schade.

In de cloud zet Semiotic Labs de data om in informatie over de conditie en prestaties van de pompen.

Pompen kunnen op diverse manieren beschadigd raken. De trillingen die daarmee gepaard gaan, verschillen van elkaar en laten elk een eigen ‘vingerafdruk’ achter in de data en de bijbehorende patronen. Op basis hiervan bepalen classificatiealgoritmes automatisch welk faalmechanisme actief is. Een volledige match is ideaal, maar delen van vingerafdrukken bieden doorgaans voldoende unieke kenmerken om de ‘dader’ aan te kunnen wijzen. Een compleet beeld verkrijgen we door ook informatie mee te nemen over de pompbelasting.

Een pomp raakt in onbalans als er een waaierblad afbreekt, maar ook als er verstoppingen ontstaan. Die onbalans leidt tot extra energie rondom de aandrijffrequentie en manifesteert zich in de data als ‘opgetrokken schouders’ in het trillingspatroon. Als tegelijkertijd de pompbelasting toeneemt, duidt dit op een verstopping; een verstopte pomp moet harder werken. Neemt de belasting juist af, dan is dat een teken van een afgebroken waaierblad; een afgebroken blad vermindert de weerstand.

Met deze classificatiealgoritmes zoeken we voortdurend naar patronen in de data die voldoen aan kenmerken die horen bij de diverse faalmechanismen. Hierbij nemen we onder meer energiepieken mee op specifieke frequenties, afgezet tegen de aandrijffrequentie en de belasting, alsook het type lager. Omdat elke pomp zijn eigen kenmerken heeft – zelfs twee exemplaren van hetzelfde merk en type in hetzelfde productieproces vertonen verschillen – moet de classificatie een match kunnen maken op basis van patronen die niet volledig overeenkomen.

Onbalans manifesteert zich als extra energie op vijftig en honderdvijftig procent van de aandrijffrequentie.

Automatiseren

De anomaliedetectie trekt aan de bel wanneer een pomp ander gedrag vertoont dan normaal. De classificatie biedt daarnaast de inzichten waarmee onderhoudsteams gericht kunnen gaan inspecteren. Als de faaloorzaak bekend is, kunnen ze direct de juiste mensen en middelen inzetten om de fabriek draaiende te houden. Doordat het systeem een waarschuwing stuurt ruim voordat de machines uitvallen, helpt het ongeplande stilstand te voorkomen.

Tot voor kort hadden specialisten hun handen vol aan de analyses. Kunstmatige intelligentie maakt het mogelijk deze te automatiseren. Daardoor kunnen we op veel grotere schaal en tegen veel lagere kosten monitoren en kunnen de specialisten zich richten op het echte werk: kritieke machines inspecteren en repareren.

Edited by Nieke Roos