Aprendizado de máquina para manutenção preditiva de bombas

Jun 14, 2023

Hoje, a manutenção preditiva é comumente aceita como um método de manutenção válido, fornecendo insights de dados para melhorar a confiabilidade dos ativos. O aprendizado de máquina (ML), um subconjunto da tecnologia de inteligência artificial (IA), está mostrando benefícios para a manutenção preditiva e agora está sendo adotado por operadores industriais. Este artigo explora o significado da manutenção preditiva de aprendizado de máquina e como dois operadores diferentes implantaram a tecnologia, avaliando sua capacidade de monitoramento de integridade de ativos e manutenção preditiva para suas bombas.

A manutenção preditiva baseada em aprendizado de máquina usa dados de sensores de equipamentos, análises avançadas e aprendizado de máquina para detectar anomalias e prever falhas usando uma abordagem de risco e/ou criticidade para que as equipes de manutenção possam tomar decisões de planejamento de manutenção informadas ou intervir antecipadamente para mitigar falhas. Esse método aprende e estuda continuamente os padrões que levam a anomalias e falhas para alertar proativamente as equipes quando o envelope operacional de um equipamento se desvia da norma prevista, com o objetivo de reduzir o tempo de inatividade não planejado e melhorar a disponibilidade e o desempenho dos ativos.

A manutenção preditiva de aprendizado de máquina é diferente da manutenção preditiva baseada em regras, que usa dados do sensor do equipamento, monitoramento de condições e limites predefinidos para prever quando a manutenção é necessária. O desafio da manutenção preditiva baseada em regras é que apenas cerca de 20% das anomalias obedecem a um padrão de falha esperado, limitando sua eficácia. Os limites predefinidos podem resultar em uma alta taxa de alertas, alguns dos quais são falsos positivos que consomem recursos valiosos. Normalmente, para alertas precisos, os limites geralmente são excedidos apenas antes de uma falha, limitando a capacidade de intervenção precoce.

O estudo de caso a seguir foi conduzido por uma empresa de IA e seu cliente - uma usina elétrica movida a carvão de 200 megawatts na Austrália. O objetivo do estudo era avaliar seus recursos de aprendizado de máquina para monitoramento de integridade de ativos e manutenção preditiva em seus ativos críticos, incluindo suas bombas de caldeira. A bomba de alimentação da caldeira é um ativo crítico, pois alimenta a água na caldeira.

Os modelos ML foram construídos para monitorar a saúde da bomba, que incluiu dados ao vivo e históricos para todas as tags de sensor críticas correspondentes às temperaturas dos rolamentos da bomba e do motor, como temperatura do rolamento do lado acionado (DE), temperatura do rolamento do lado não acionado (NDE), rolamento do motor DE temperatura, temperatura do rolamento NDE do motor e taxa de fluxo da bomba. Os modelos são treinados em um período de operação saudável (sem viagens ou falhas) e colocados em produção com dados de entrada ao vivo, permitindo que os modelos prevejam os principais parâmetros do ativo e observem se é possível identificar o desempenho do ativo e a degradação da integridade da operação normal .

Os modelos detectaram e alertaram a equipe sobre um aumento gradual da temperatura da NDE a partir de 3 de abril (aumento do vermelho no mapa de DNA significando que as temperaturas reais aumentaram em relação às temperaturas previstas pela IA). No entanto, o modelo de taxa de fluxo de sucção da bomba também demonstrou uma tendência significativa de mudança de status de desvio de amarelo em 2 de abril para vermelho em 3 de abril, o que significa que a taxa de fluxo da bomba começou a reduzir contra a previsão do modelo até que o rolamento NDE falhou. Era possível que um rolamento com defeito pudesse ser o resultado de uma mudança no status do deslocamento do eixo e vice-versa. Isso pode ter causado tanto a alteração na curva da bomba, o que resultou na diminuição da vazão, quanto um aumento do atrito e possível contato do eixo com a carcaça do mancal DE e NDE, o que consequentemente causou o aumento da temperatura no NDE rolamento e, finalmente, falha.

Notas para a Imagem 1:

Os modelos são visualizados para mostrar claramente tendências de operações indesejáveis ​​e anormais usando mapas de DNA e gráficos de desvio detalhados. O código de cores no mapa de DNA mostra vermelho para diminuição e azul escuro para aumento da taxa de fluxo de mais de 5% em comparação com os valores previstos de ML. Eles também mostram vermelho para aumento e azul escuro para diminuição de todas as temperaturas em mais de 5% em comparação com os valores previstos de ML. Usando a visão adquirida dos modelos de integridade da bomba, o cliente foi capaz de reagir em tempo hábil para garantir a disponibilidade de uma bomba subsequente para reduzir o tempo de inatividade. A economia estimada devido à previsão da falha e a implantação de uma bomba de reserva foi estimada em US$ 150.000.