Matningspumpen är en av de centrala komponenterna i en CIP-anläggning. Den säkerställer att medierna cirkulerar i hela systemet. Om pumpen går sönder stannar hela anläggningen.
Eftersom pumpen drivs med olika hastigheter beroende på rengöringssteget är statisk övervakning svår.
Syftet är att införa pumpövervakning baserad på AI (artificiell intelligens) för att upptäcka och rapportera eventuella avvikelser från drifttillståndet i tid. Underhållsarbeten kan utföras i realtid.
Processövervakning av pumpen, inklusive vibrations- och hastighetsövervakning, utförs inte, eller endast i mycket begränsad omfattning – i bästa fall för statiska processvariabler. Inga övervaknings- eller visualiseringssystem som moneo är installerade. Därför signaleras inte skador som uppstår på pumpen i tid.
Med hjälp av lämpliga IO-Link-givare ska pumpens kritiska processvariabler registreras.
Dataregistreringen av det normala tillståndet används för att skapa en modell som möjliggör övervakning oberoende av driftstatus och därmed identifiering av avvikelser från det normala tillståndet (anomalier).
moneo|RTM, inklusive DataScienceToolbox och SmartLimitWatcher-funktionen, installeras centralt på en server. Flera IO-Link-master ansluts till en server via ett internt VLAN. De givare som används är alla anslutna till en IO-Link-master.
moneo|RTM registrerar och visualiserar data. Funktionen SmartLimitWatcher i DataScienceToolbox används för att analysera registrerade data och beräkna en motsvarande modell. Efter en inlärningsfas tar modellen över övervakningen av pumpen och rapporterar eventuella avvikelser från det normala tillståndet.
Pumparna kan drivas i olika tillstånd (t.ex. belastning eller tomgång). Olika tröskelvärden är tillåtna i vart och ett av dessa tillstånd. Funktionen SmartLimitWatcher i DataScienceToolbox kan ställa in tröskelvärden dynamiskt. Om processvärdena ligger utanför ett visst konfidensintervall utfärdas varningar eller larm på samma sätt som för statiska tröskelvärden.
För att övervaka flödeshastigheten (målvariabel) används SmartLimitWatcher. Stödvariabler (hastighet, pumptryck, vibrationsdata) används för detta ändamål. De beskriver flödesegenskaperna i olika drifttillstånd. När flödet ökar, ökar till exempel även hastigheten och pumptrycket.
Dataregistrering har en ökad transparens vilket ger optimeringspotentialer. Den högre drifttiden har förbättrat den övergripande processen. integrerad larmhantering säkerställer snabba reaktioner på ändrade processparametrar, vilket optimerar underhållet. Alla åtgärder ökar process- och produktkvaliteten. moneo|RTM säkerställer detaljerad processvisualisering.
Utan att behöva genomföra ändringar eller ingrepp på det befintliga PLC-systemet eller mjukvaran kunde anläggningen digitaliseras framgångsrikt.
Översikt över moneos manöverpanel.
Manöverpanelen ger användaren en överblick över alla relevanta processvärden för denna anläggning.
Analysfunktionen kan användas för att få tillgång till historiska data och jämföra olika processvärden. Diagrammet visar en typisk egenskapskurva för start ①, drift ② och stopp ③.
Det kan konstateras att hastighets- och tryckkurvorna är nästan identiska. Flödet i systemet släpar något, vilket är normalt på grund av mediets tröghet.
Olika parametrar för pumpen kan övervakas statiskt, eftersom de är oberoende av driftstatusen. I det här fallet får t.ex. motortemperaturen inte överstiga 50°C. Detta uppnås enkelt genom inställning av statiska varnings- och larmtrösklar.
I detta use case används SmartLimitWatcher för att övervaka pumpens flöde (målvariabel).
Med hjälp av stödvariablerna (värden för pumptryck, hastighet och acceleration) beräknas en modell som skapar ett konfidensband runt processvärdet. Den definierar tröskelvärdena för flödet med hänsyn till olika drifttillstånd.
Känsligheten, och därmed bredden på konfidensbandet, kan justeras för de nedre och övre tröskelvärdena för varning och larm med hjälp av parametrar (inaktiv, låg, medelhög och hög). Detta gör det möjligt att dölja eventuella falska varningar eller larm.
Den här funktionen kan användas för att enkelt definiera vad som ska hända efter att en varning eller ett larm har utlösts, t.ex:
Förutom processvärdena från sensorerna registrerar moneo även pumpens drifttimmar. Den här funktionen kan snabbt och enkelt införas med hjälp av mallen "Räknare för drifttimmar".
Det krävs en datakälla ② som beskriver drifttillståndet. I exemplet nedan används hastigheten och följande tröskelvärden ③ är inställda: