Diagnostyka procesów przemysłowych to dziedzina, która dynamicznie rozwija się nie tylko na świecie, ale także w Polsce. Flagowym przykładem jest AMandD, system opracowany w Instytucie Automatyki i Robotyki Politechniki Warszawskiej. Właśnie trwa jego wdrożenie w jednym z największych polskich przedsiębiorstw.
Rys. 1. Moduł przetwarzania zmiennych procesowych w formie definiowanych przez użytkownika ścieżek przetwarzania sygnałów ? CalcPaths
Głównym zadaniem systemu AMandD jest wczesne i dokładne rozpoznawanie nieprawidłowych stanów procesu przemysłowego oraz uszkodzeń urządzeń technologicznych, wykonawczych i pomiarowych. Do tworzenia modeli globalnych całej instalacji w pakiecie AMandD wykorzystywany jest moduł PexSim. Natomiast modele fragmentów procesu czy też poszczególnych zmiennych procesowych uzyskiwane są zazwyczaj na drodze identyfikacji, prowadzonej przy wykorzystaniu istniejących archiwalnych przebiegów zmian wartości poszczególnych sygnałów. Do identyfikacji przeznaczony jest moduł MITforRD. Prowadzona jest w trybie offline z wykorzystaniem danych pomiarowych zbieranych i archiwizowanych w systemach automatyki DCS lub SCADA. MITforRD pozwala na identyfikację modeli zarówno statycznych, jak i dynamicznych różnych typów, poczynając od szeroko znanej transmitancji liniowej, a kończąc na modelach neuronowych i rozmytych.
Oprogramowanie, oprócz samej identyfikacji, pozwala na wstępne przetwarzanie i analizę zmiennych procesowych oraz weryfikacje modeli. Analiza danych jest możliwa dzięki szeregowi wtyczek (ang. plugin), umożliwiających m.in.: wyświetlanie korelacji, spektrum mocy, histogramów, trendów, filtrację oraz swobodne przekształcanie sygnałów według wprowadzonego przez użytkownika wyrażenia matematycznego. Całości dopełniają funkcje importu danych z zewnętrznych formatów oraz funkcje umożliwiające łączenie danych.
Rys. 2. Przykład walidacji torów pomiarowych bazujący na wykorzystaniu redundancji analitycznej
Sam proces identyfikacji obiektu wykorzystuje koncepcję asystentów wspierających użytkownika i sprowadza się do potrzeby udzielenia odpowiedzi na kilka prostych pytań. Przykładowo o wybór sygnałów wejściowych, typu modelu (liniowy, neuronowy, rozmyty itp.) oraz określenia podstawowych parametrów procedury identyfikacyjnej. W celu automatycznego poszukiwania struktury modeli pakiet stosuje najnowsze algorytmy z dziedziny inteligencji obliczeniowej (algorytmy genetyczne, roju cząstek, uczenie maszynowe), co pozwala na uzyskanie modeli wysokiej jakości. Nawet gdy wiedza o modelowanych procesach jest niewystarczająca.
Przetwarzanie zmiennych procesowych
W systemie AMandD możliwe jest swobodne projektowanie torów przetwarzania poszczególnych zmiennych systemowych (procesowych). Zadanie to realizowane jest przez moduł PexSim w sposób zbliżony do rozwiązania zastosowanego w pakiecie Matlab Simulink. Użytkownik ma do dyspozycji: szereg bloków realizujących podstawowe operacje matematyczne i logiczne, operacje wejścia i wyjścia, sterowanie przepływem sygnałów, operatory całkowania i różniczkowania, filtrację i wiele innych. Dzięki otwartej architekturze możliwa jest łatwa rozbudowa i tworzenie nowych specjalizowanych bloków w postaci wtyczek.
Rys. 3. Schemat detekcji uszkodzeń z zastosowaniem redundancji informacyjnej oraz zależności heurystycznych
Wirtualne sensory budowane z wykorzystaniem modeli analitycznych, neuronowych lub rozmytych stanowią redundancję informacyjną sygnałów pomiarowych. Zamiast redundancji sprzętowej w wielu przypadkach korzystniej jest wykorzystać modele procesów do wyliczania wartości wielkości fizycznych na podstawie innych mierzonych zmiennych procesowych. W przypadku uszkodzenia toru pomiarowego wartość zmiennej może być rekonstruowana na podstawie wirtualnego sensora. Uzyskujemy w ten sposób odporność systemu na uszkodzenia tych torów pomiarowych, dla których istnieją odpowiedniki wirtualne.
Rys. 4. Trójwartościowa rozmyta ocena wartości residuum
Symulatory procesów
Współczesne instalacje są w coraz większym stopniu nasycone nowoczesnymi urządzeniami procesowymi i rozwiązaniami technologicznymi, przez co stają się coraz bardziej skomplikowane. Jednocześnie rosną wymagania odnośnie niezawodności i ciągłości pracy takiej instalacji, jak też utrzymywania jej punktu pracy w pobliżu maksimum wydajności. Wymaga to z jednej strony niezawodnych systemów automatyki i diagnostyki procesu oraz stosowania procedur optymalizacyjnych, z drugiej doskonale wyszkolonych i przygotowanych operatorów. Wymaganie dotyczące stopnia przygotowania operatorów jest szczególnie trudne do spełnienia. Stwierdzono bowiem, że wraz ze wzrostem stopnia automatyzacji i niezawodności instalacji procesowej kwalifikacje operatorów w zakresie podejmowania właściwych działań w sytuacjach nietypowych i awaryjnych ulegają zmniejszeniu. Ponadto szkolenia operatorów na rzeczywistej i pracującej instalacji są nieefektywne ze względu na brak możliwości symulacji stanów nienormalnych i awaryjnych. Uniknięcie wymienionych wyżej niedogodności jest możliwe dzięki zastosowaniu symulatorów procesów, które można realizować w systemie AMandD.
Detekcja uszkodzeń
W systemie AMandD do detekcji uszkodzeń stosowane są metody bazujące na modelach analitycznych, neuronowych i rozmytych oraz metody heurystyczne, wykorzystujące różnego rodzaju relacje między zmiennymi procesowymi. Takie metody detekcji pozwalają we wczesnym stadium wykrywać znacznie większą liczbę uszkodzeń niż klasyczny system alarmowy. System wylicza na bieżąco wartości residuów, tj. różnice między wartościami sygnałów mierzonych i modelowanych. Odbiegające od zera wartości residuów są symptomami uszkodzeń. Zaletą stosowanego podejścia jest zdolność wczesnego wykrywania uszkodzeń, w tym uszkodzeń o małych rozmiarach. Z kolei metody heurystyczne wykorzystują proste, a także bardziej złożone zależności pomiędzy zmiennymi procesowymi.
Przy diagnozowaniu procesów przemysłowych trudności sprawia określenie wartości progowych, których przekroczenie świadczy o wystąpieniu uszkodzenia. Skutecznym sposobem przetwarzania informacji niepewnej i nieprecyzyjnej jest logika rozmyta. Dlatego zastosowano ją do oceny wartości residuów. Parametry zbiorów rozmytych mogą być ustalane automatycznie na podstawie analizy statystycznych parametrów przebiegu danego residuum w stanie normalnym procesu lub ręcznie przez inżyniera systemu.
Lokalizacja uszkodzeń
Rezultatem algorytmów detekcyjnych są rozmyte sygnały diagnostyczne niosące informację o wykrytych uszkodzeniach. Na podstawie analizy wartości tych sygnałów prowadzona jest lokalizacja uszkodzeń, czyli dokładne wskazanie uszkodzonego komponentu. Do lokalizacji uszkodzeń w przypadku instalacji przemysłowych mało przydatne są metody wymagające danych wzorcowych dla stanów nienormalnych i awaryjnych (do tej klasy metod należą na przykład sieci neuronowe). Pozyskanie danych uczących dla wszystkich stanów nienormalnych (z uszkodzeniami) jest praktycznie niemożliwe. Z drugiej strony groźne uszkodzenia występujące po raz pierwszy powinny być szybko rozpoznane. Największe znaczenie praktyczne w diagnostyce procesów przemysłowych mają metody wykorzystujące wiedzę ekspercką do zaprojektowania relacji symptomy ? uszkodzenia. W systemie AMandD relacja ta określana jest na podstawie wiedzy dotyczącej funkcjonowania obiektu, którą oprócz projektantów mają m.in. technolodzy, automatycy i operatorzy procesu.
Rys. 5. Wizualizacja w systemie AMandD ? czerwony pasek
wskazuje wykryte uszkodzenie rurociągu instalacji; wykres przedstawia porównanie sygnału pomiarowego przepływu medium w instalacji z modelowanym.
Konfiguracja modułu lokalizacji uszkodzeń sprowadza się do wprowadzenia zbioru reguł o strukturze: ?jeśli wystąpił symptom sj, to możliwą przyczyną są uszkodzenia fk, fm, …fs.?. Wnioskowanie diagnostyczne prowadzone jest w module iFuzzy-FDI na podstawie bieżących wartości sygnałów diagnostycznych oraz bazy reguł z zastosowaniem logiki rozmytej.
Wizualizacja wyników diagnozowania
W skład systemu AMandD wchodzi moduł wizualizacji InView. Jego podstawowym zadaniem jest prezentacja uszkodzeń na schematach synoptycznych procesu oraz w odrębnym oknie diagnoz. Na schematach synoptycznych rozmieszczone są wskaźniki odpowiadające poszczególnym uszkodzeniom, na których wyświetlana jest wartość wskaźnika pewności istnienia danego uszkodzenia w zakresie 0-1. Jeśli wartość wskaźnika jest wysoka, to słupek ilustrujący tę wartość ma kolor czerwony. Przy niższych wartościach przyjmuje on kolejno kolor fioletowy, żółty, a przy wartościach bliskich zera ma kolor biały. System AMandD jest przygotowany do dwustronnego sprzężenia z systemem automatyki. Oznacza to, że wypracowywane przez niego diagnozy mogą być również prezentowane w systemie SCADA lub DCS na synoptykach procesu, co pozwala na utworzenie jednolitego środowiska pracy dla operatora.
Na podstawie diagnoz system może dodatkowo wspomagać decyzje operatorów w stanach nienormalnych i awaryjnych. W fazie projektowania dla wszystkich lub niektórych uszkodzeń systemu mogą zostać opracowane strategie postępowania, które w czasie rzeczywistym po rozpoznaniu uszkodzenia wyświetlane są obsłudze razem z diagnozą. Strategie te mają postać dowolnych dokumentów przygotowanych wcześniej przez projektantów systemu i mogą zawierać zarówno algorytm postępowania, jak i schematy uszkodzonych urządzeń czy też możliwości rekonfiguracji instalacji.
System znajduje się w stanie rozbudowy poprzez dołączanie nowych części realizujących dodatkowe zadania. Aktualnie rozwijane są w systemie AMandD moduły do archiwizacji diagnoz, przesyłania alarmów w sieci GSM, uzasadniania diagnoz i generacji raportów diagnostycznych. Ponadto możliwa jest również rozbudowa systemu o dodatkowe, specjalizowane moduły.
ce
Szczegółowe badania systemu przeprowadzono w laboratorium Uniwersytetu w Lille, gdzie system wdrożono do diagnozowania instalacji generatora pary. System został także pilotowo wdrożony do diagnozowania części instalacji IDR w zakładzie produkcji mocznika w Zakładach Azotowych Puławy oraz do diagnostyki stacji wyparnej w cukrowni Lublin. Obecnie realizowane jest wdrożenie przemysłowe jednym z największych polskich przedsiębiorstw.
Szczegółowy opis wdrożenia opublikujemy w II połowie br.
Po pierwsze prewencja
Dla Control Engineering Polska mówi prof. Jan M. Kościelny z Instytutu Automatyki i Robotyki Politechniki Warszawskiej:
Dlaczego stworzyliśmy akurat taki system, a nie na przykład zwykły system alarmowy? Wynika to z wad klasycznych systemów alarmowych. Podstawową jest brak możliwości wykrywania takich uszkodzeń, których objawy są maskowane przez układy regulacji. Przykładowo wyciek toksycznej substancji ze zbiornika, w którym regulowany jest poziom tej substancji, może nie zostać wykryty przez algorytm kontroli granic alarmowych, ze względu na zwiększenie dopływu tej substancji do zbiornika przez regulator. Inną wadą jest duża liczba alarmów, które w przypadku groźnych uszkodzeń, wysyłane są jeden po drugim w krótkim przedziale czasu. Powoduje to ?przeciążenie informacyjne? operatorów. W tej sytuacji mogą podejmować błędne decyzje, których negatywne skutki kumulują się z zaistniałymi uszkodzeniami i prowadzą do groźnych awarii. Należy także zauważyć, że alarmy nie precyzują jednoznacznie wywołujących je przyczyn. Wypracowanie właściwej diagnozy zależy zatem tylko od wiedzy, doświadczenia i stanu psychofizycznego operatora. Natomiast system diagnostyczny może wykrywać nawet niewielkie uszkodzenia we wczesnym stadium oraz precyzyjnie je wskazywać. Drugą przyczyną prac nad systemami diagnostycznymi są nasze zainteresowania naukowe, związane z rozwojem metod modelowania, detekcji i lokalizacji uszkodzeń, m.in. metod wykorzystujących techniki sztucznej inteligencji. Metody te, złożone obliczeniowo, mogą być dzisiaj implementowane dzięki rozwojowi techniki komputerowej. Pozwalają one wydobyć wiedzę z baz danych pomiarowych systemów DCS i SCADA i wykorzystać ją do nadzorowania procesów. Ranga diagnostyki wynika z możliwości poprawy bezpieczeństwa procesów oraz z redukcji strat w stanach nienormalnych i awaryjnych. Oprócz diagnostyki uszkodzeń nagłych system diagnostyczny może także wykrywać oraz śledzić rozwój uszkodzeń narastających (powolnych degradacji) i na tej podstawie prognozować czas do osiągnięcia stanu krytycznego. Możliwe staje się zatem wspomaganie obsługi technicznej w podejmowaniu decyzji o niezbędnych remontach. Ze względu na wymienione korzyści prognozujemy stały wzrost liczby aplikacji systemów diagnostycznych. Liczymy na to, że system AMandD stanie się rozwiązaniem wdrażanym na dużą skalę w przemyśle, nie tylko w kraju.