Forsyningspumpen er en af de centrale komponenter i et CIP anlæg. Det sikrer, at medierne cirkulerer gennem hele systemet. Hvis forsyningspumpen svigter, går hele anlægsprocessen i stå.
Da pumpen kører med forskellige hastigheder afhængigt af rengøringsprocessen, er det vanskeligt at foretage en statisk overvågning.
Målet er at implementere AI (Artificial Intelligence) baseret overvågning af pumpen for at opdage og rapportere eventuelle afvigelser i driftstilstanden i tide. Vedligeholdelsesarbejder kan udføres i realtid.
Procesovervågning af pumpen, herunder overvågning af vibrationer og hastighed, udføres ikke, eller kun i meget begrænset omfang - i bedste fald for statiske procesvariabler. Der er ikke installeret overvågnings- eller systemer til visualisering som f.eks. moneo. Følgelig bliver en opstået skade på pumpen ikke signaleret i tide.
De kritiske procesvariabler for pumpen registreres ved hjælp af egnede IO-Link sensorer, så de kritiske procesvariabler for pumpen registreres.
Dataregistreringen af den normale tilstand bruges til at skabe en model, der muliggør overvågning uafhængigt af driftsstatus og dermed identifikation af afvigelser fra den normale tilstand (afvigelser).
moneo|RTM, herunder DataScienceToolbox og SmartLimitWatcher funktionen, er installeret centralt på en server. IO-Link-masterne er forbundet til serveren via et internt VLAN. De anvendte sensorer er hver især forbundet til en IO-Link master.
moneo|RTM registrerer og visualiserer dataene. SmartLimitWatcher funktionen i DataScienceToolbox bruges til at analysere de registrerede data og beregne en tilsvarende model. Efter en indlæringsfase overtager denne model overvågningen af pumpen og rapporterer eventuelle afvigelser fra den normale tilstand.
Pumper kan drives i forskellige tilstande (f.eks. belastet eller ubelastet). Der er forskellige tærskelværdier tilladt i hver af disse tilstande. Funktionen SmartLimitWatcher i DataScienceToolbox kan indstille tærskelværdier dynamisk. Hvis procesværdierne ligger uden for et bestemt konfidensinterval, udstedes der advarsler eller alarmer som ved statiske tærskelværdier.
For at overvåge flowhastigheden (målvariabel) anvendes SmartLimitWatcher. Der anvendes støttevariabler (hastighed, pumpetryk, vibrationsdata) til dette formål. De beskriver strømningsegenskaberne i forskellige driftstilstande. For eksempel stiger hastigheden og pumpetrykket også med stigende flow.
Dataregistreringen har øget gennemsigtigheden og medført optimeringspotentialer. Den højere oppetid for anlægget har forbedret den overordnede proces. Integreret alarmstyring sikrer hurtig reaktion på skiftende procesparametre, hvilket optimerer vedligeholdelsen. Alle foranstaltninger øger proces- og produktkvaliteten. moneo|RTM sikrer detaljeret procesvisualisering.
Det lykkedes at digitalisere anlægget uden ændringer eller interventioner i forhold til eksisterende PLC eller software.
Få det store billede på moneo dashboardet.
Dashboardet leverer en oversigt til brugeren over de relevante procesværdier for dette anlæg.
Analysen giver let adgang til historiske data og sammenligner forskellige procesværdier. Diagrammet viser en typisk karakteristisk kurve for opstart ①, drift ② og stop ③.
Det kan konstateres, at hastigheds- og trykkurverne er næsten identiske. Strømmen i systemet er lidt bagud, hvilket er normalt på grund af mediets inerti.
Forskellige parametre for pumpen kan overvåges statisk, da de er uafhængige af driftsstatus. I dette tilfælde må motortemperaturen f.eks. ikke overstige 50 °C. Dette opnås nemt ved at indstille statiske advarsels- og alarmtærskler.
I denne brugeapplikation anvendes SmartLimitWatcher til at overvåge pumpens flow (målvariabel).
Ved hjælp af støttevariablerne (pumpetryk, hastighed og accelerationsværdier) beregnes der en model, som skaber et sikkerhedsinterval omkring procesværdien. Den definerer tærskelværdierne for strømningen under hensyntagen til forskellige driftstilstande.
Følsomheden, og dermed bredden af sikkerhedsintervallet, kan justeres for den nedre og øvre advarsels- og alarmtærskel ved hjælp af parametre (inaktiv, lav, middel og høj). Dette gør det muligt at skjule eventuelle falske advarsler eller alarmer.
Denne funktion kan bruges til nemt at definere, hvad der skal ske, efter at en advarsel eller alarm er blevet udløst, f.eks:
Ud over sensorernes procesværdier registrerer moneo også pumpens driftstimer. Denne funktion kan hurtigt og nemt implementeres ved hjælp af skabelonen "Driftstimetæller".
Der kræves en datakilde ②, der beskriver driftstilstanden. I eksemplet nedenfor anvendes hastigheden, og følgende tærskelværdier ③ er indstillet: