AVEVA™ AI 預知保養系統

AVEVA™ Predictive Analytics

使用專利演算法與深度機器學習技術
能早在設備真正故障的數周、甚至數個月前就向您提出預警


試著回想一下,過去 18 個月內
您是否有因為關鍵設備無預警故障,使得產線被迫停產 ?

在大數據、AI、數位轉型蓬勃發展的今日,越來越多企業及工廠開始重視如何運用相關技術從「預防保養」(也就是季修、歲修) 逐步朝向「預知保養」發展。
無論是在國外或是台灣,以演算法與機器學習技術為基礎的「預知保養」已經過許多產業實績驗證,能夠大幅降低無預警停機時間、提升設備可靠度、性能表現及安全。讓企業避免蒙受因非計畫性停機產生的鉅額停產損失,以及花費在緊急搶修的大量人力與金錢。

AVEVA™ Predictive Analytics (前名為 : AVEVA PRiSM) 是預知保養系統中的佼佼者。使用先進模式識別(APR) 以及深度機器學習技術的 AVEVA 預知保養系統,能學習設備在所有環境條件、運作程序、生產工作量下的運行情況,並以蒐集到的工作數據與傳感器數值建立「識別模型」。只要設備即時運行數據開始出現偏差,超出許可範圍的當下,AVEVA 預知保養系統便會提出預警。

因此 AVEVA™ Predictive Analytics 能夠早在設備的健康狀態惡化至故障停機的數週甚至數個月前便提出告警以及失效原因診斷報告,為您分析造成問題的可能因素。讓您能有充裕的時間制定維修計畫、提早購買備品,立即處置避免關鍵設備的運行持續惡化。

 

SCADA 沒發出警報,不代表設備沒問題

即使關鍵設備的運轉開始出現劣化徵兆,但由於運行的數值並沒有嚴重到觸發 SCADA 警報,因此極少人會注意到設備健康狀態已經開始惡化。

預知保養能抓出不健康的關鍵設備

AVEVA™ AI 預知保養系統採用深度機器學習技術,能建立專屬的預測模型,在關鍵設備的運行數值超出模型預期的當下,便提出向您預警。


我們的組織已經有維保管理系統,也有預防保養的機制了,為什麼還需要 AVEVA 預知保養系統 ?

的確,絕大部分資本密集的產業 (例如高科技、石化、電力) 都會擁有一套電腦化維護管理系統 (CMMS),用來追蹤及管理維保程序、工單、物料等。
但 CMMS 最主要功用為「預防保養」而非「預知保養」。差別在於「預知保養」系統能提供設備故障的預判與原因解析,並且能線上即時監控現設備的運行狀態。而同時滿足這些特點的 AVEVA Predictive Analytics 便能夠彌補 CMMS 的不足。

 

讓 AVEVA™ AI 預知保養系統成為您的搶修剋星

AVEVA™ Predictive Analytics 能讓您無論是透過安裝在電腦的應用程式或是網路瀏覽器,即時監控設備與機台的健康狀態。
讓關鍵設備無預警停機的機會降到最低,您也可以從此高掛打火弟兄的戰袍。

運行數據出現偏差立即提出預警

告知您造成設備出現警示可能的因素與可能性占比

使用易判讀的燈號與圖式判讀設備狀態,有效率制定與管理維護排程

系統提供失效原因分析,讓您迅速掌握情況並展開行動


AVEVA Predictive Analytics 帶給您的七大好處

降低計畫外的停機時間
預防設備無預警故障
減少維修成本
增加資產的運用效率
延長設備壽命
增加資產利用率
揪出效率表現不佳的設備

 

深受國際各大產業青睞

AVEVA™ Predictive Analytics 預知保養系統在全球幫助數百家企業,監控超過 30,000 套關鍵設備、機組以及包含超過 480,000 MV 的發電機組容量,歷經各大產業的實績驗證。

(以上品牌標誌皆屬各企業所有)

 

 

 

3 個主題跟 1 個案例帶你了解 AI 預知保養

想深入了解提早預知的原理或是想知道它能為您的企業或工廠帶來哪些好處嗎?
歡迎下載型錄或是 聯絡我們了解更多細節 !

下載 AVEVA™ Predictive Analytic 原廠型錄(中文)

原廠技術認證

CSP of Preductive Analytics


FAQ

我們最常被詢問到的問題,或許也是您最想知道的 !

A : AVEVA™ Predictive Analytics 主要使用的演算法有 :

並非 使用類神經演算法 (黑盒子)

A :
  • AVEVA™ Predictive Analytics 是透過歷史數據中 " 設備正常運轉的數據 "建立模型,並與設備即時數據進行比對,計算其偏移量,作為設備健康狀態的依據。
  •  

  • 當設備產生過往歷史數據未曾發生之狀況,可手動將資料納入並重新訓練模型。AVEVA™ Predictive Analytics 模型建立及訓練模型的過程可以達到快速上線。
A :
  • 預警檢測需要將所有傳感器數據相互關聯,作為整體模型的一部分。例如 : 需要根據設備的當前負載和運轉狀況了解振動、溫度、流速、差壓等參數的水平以達到預警。
    要推算設備在所有類型的運行條件下運轉,就必須具有方程式。例如 : 當負載為 x 時軸承溫度為 y ,負載為 j 時振動為 k …會有太多組合需要建立,人工 Coding 其實是很難建構出涵蓋多個規則方法。
A :
  • 振動監控類似 DCS 的 High/High 類型警報限制,其實是難以針對各操作條件做動態調整。
    AVEVA™ Predictive Analytics 能提供預警模式識別的警報,並以設備所有傳感器數據,如溫度、壓力、流速及振動等建立模型,可全面了解資產的運行狀況,以及當前操作條件下各數據的正常範圍。因此使用者能夠識別設備運轉時的細微變化,而這些細微變化通常是即將發生的設備故障的預警信號。
  •  

  • 一旦檢測到預警,使用者可以在 AVEVA™ Predictive Analytics 中進行問題分析 (結合故障診斷知識庫)。而更細節原因便可使用振動軟體查看振動頻譜,進一步診斷問題(例如 : 是否是軸未對準,軸承或齒輪的平衡問題,或者是否存在材料損失)。
A :
  • AVEVA™ Predictive Analytics 僅需要正常運轉數據建立模型,且內建資料清洗工具。而如何判斷數據正常與異常區間,可將 Trend 圖展開。我們會請您提供設備的 L/LL 、 H/HH 作為判斷依據並與您驗證討論 。
  •  

  • 資料量會建議提供 6 個月至 1 年。由於 1 年基本上包含設備所有的操作條件,啟機、停機、春夏秋冬輕載中載重載等。若無長時間數據,則建議最少 3 個月,且資料解析度為每分鐘一筆。
A :
  • 需視設備複雜程度而定,通常需要 4~40 個測項。
  •  

  • AVEVA™ Predictive Analytics 使用設備上現有的傳感器,不需要新的傳感器即可建立模型 ,而大多數客戶在初期也會使用現有的傳感器來建立。通常當客戶獲得成功並獲得投資回報時,他們會開始尋找可以添加更多傳感器來提高診斷能力。 在沒有 AVEVA Predictive Analytics 之類的解決方案情況下,盲目為資產增加傳感器只會提供更多對業務沒有價值的數據。 AVEVA Predictive Analytics 會獲取這些原始數據並將其轉換為能夠執行操作的資訊。
  •  

  • 另外也可由此判斷該設備是否適合投資預知保養。 由於 AVEVA™ Predictive Analytics 針對的是「關鍵性設備」,而關鍵性設備通常都具備相當程度的系統監測與傳感器 。
A :
  • AVEVA 能提供多種設備的 Template 如幫浦 、 壓縮機 、 膨脹機 、 冷凍機 、 渦 輪機 、 發電機 、 鍋爐 、 熱交換器...等等。若需要此項服務,AVEVA 將會需要至現場調查設備並執行專案,並非只單純提供 Template 及失效診斷的服務。
  •  

  • 可透過 AVEVA™ Predictive Analytics 的內建功能,快速建立 Template 及故障診斷知識庫,將老師傅的經驗知識保留在預知保養系統內。
  •  

  • 即便尚未建立故障診斷知識庫,AVEVA™ Predictive Analytics 也能透過訊號貢獻度告知使用者,是什麼測項佔最大程度原因,縮小查修範圍。
A :
  • 由於 AVEVA™ Predictive Analytics 是透過機器學習技術使用統計建模方法,因此可以適用於監視任何類型的資產。無論是渦輪機、壓縮機、發電機、變速箱、閥門、鼓風機、鍋爐、渦輪膨脹機、破碎機、冷凝器、冷水機、蒸餾塔、變壓器、斷路器、電容器、攪拌器...,且不論製造商和資產品牌型號如何。
  •  

  • 需要特別注意的是產品良率、製程監控、產量預測、需求量預測等, 並不是 AVEVA™ Predictive Analytics 的應用範疇。
A :
  • 可以,AVEVA™ Predictive Analytics 支援 REST API ,可與第三方軟體整合,例如 IBM Maximo 。
  •  

  • 另外我們有研發 AVEVA™ Predictive Analytics 專用的通訊整合平台,可與第三方系統整合無虞。
A :
  • 導入前期可透過概念驗證 (Proof of Concepts;POC) 方式建立模型,並將過往正常數據、異常數據,放入模型進行數據回測 (Playback),檢視模型是否會誤報、漏報警報,預警警報的 Limit 也可參考回測後的結果。
    另外 AVEVA™ Predictive Analytics 內建警報過濾器,能以警報持續時間或是針對某測項的數值作為模型啟動監測的條件。

延伸閱讀

透過我們部落格文章,您可以知道更多預知保養的相關知識與應用案例

你說的Wonderware我都認識,所以誰是AVEVA?

    設備維護保養方式分 5 級,你在哪一級呢 ?

    維護保養的模式在實作上大抵分作 5 個等級,每一級都有其使用的時機與優缺點。你知道你現在使用的維護保養模式又是屬於哪一級嗎 ? 一起來看看吧 !

五分鐘技術力時間-AVEVA System Platform(WAS)常見問題集(I)

    採用條件式與預知保養的關鍵成功因素是什麼?

    採用有效率的維護保養策略是生存的關鍵 ! 幾乎所有討論到「提升效能」與「降低成本」的話題,都會提到「條件式保養」與「預知保養」,導入這些新方法前,看看 AVEVA 的專家怎麼說 !

工業大數據如何蒐集與應用?方法完整公開!

    成功案例 - 安大略電力公司(OPG)

    加拿大安大略電力公司(OPG)的使命是以安全可靠、潔淨永續的方式為北美客戶提供划算的電力。

    在導入 AI 預知保養系統後的兩年間,從流程改善與設備故障預警中,回收了價值 400 萬美元的效益。他們是如何做到的呢?

 

 

Top 回到資產效能管理解決方案