​
Case study: detekcja awarii układnicy magazynowej
Wczesna detekcja awarii układnicy magazynowej
  1. Home
  2. /
  3. Case Studies
    4. /
  4. Case study: detekcja awarii układnicy magazynowej

Wczesna detekcja awarii układnicy magazynowej

Cel
Przewidywanie i wczesna detekcja awarii układów napędowych układnicy magazynowej
Rozbudowa opomiarowania diagnostycznego i umożliwienie zdalnej diagnostyki stanu układnicy
Rezultat
Wczesna detekcja usterek m.in. awarii wentylatora i łożyska koła jezdnego
Stały monitoring i wgląd w pracę układnicy
Zmniejszenie ilości i czasu nieprzewidzianych przestojów
Korzyści z analizy danych RSIMS
Szybsze wykrywanie usterek i przewidywanie zbliżających się awarii układnicy magazynowej
Cykliczne raporty i powiadomienia mailowe
Zmniejszenie kosztów awarii i serwisów
Utrzymanie wysokiego stopnia automatyzacji procesu logistycznego
Wyzwanie
Wyzwanie stanowiło bieżące, zdalne monitorowanie stanu napędów układnicy z jednoczesnym wczesnym wykrywaniem awarii.  Jednym z podstawowych problemów technicznych były krótkie czasy pracy ustalonej - tj. czas stabilnej prędkości układnicy. Analiza tego typu wymagała dodatkowego procesowania danych oraz innego sposobu wyznaczania progu alarmowego w porównaniu do diagnostyki urządzeń pracujących w trybie ciągłym.  Pośrednim celem projektu było również zwiększenie wydajności magazynu i ograniczenie nieplanowanych kosztów bezpośrednio i pośrednio związanych z koniecznością naprawy urządzenia.
Rozwiązanie
Firma wdrożyła system RSIMS, aby precyzyjnie przewidywać potencjalne awarie układnicy magazynowej w magazynie wysokiego składowania. System ten składa się z klasycznego systemu diagnostycznego opartego o pomiary przyspieszeń drgań oraz temperatur, wraz z systemem detekcji anomalii.

Opracowany system diagnostyczny składał się z komponentu jednowymiarowego - trenowanego dla każdego sygnału osobno - oraz wielowymiarowego - trenowanego dla grup sygnałów jednocześnie. Każdy trening przebiega w oparciu o okres referencyjnej pracy, na którego bazie automatycznie - za pomocą narzędzi statystycznych lub algorytmów ML - wyznaczany jest złożony próg alarmowy. 

Automatyczne wyznaczanie progu oparte jest o autorski algorytm analizujący m.in. rozkład danych i realizujący wyliczenia progu w oparciu o wzajemną relację kwantyli i mediany tego rozkładu. Bierze on pod uwagę nie tylko samą wartość sygnału, ale także ilość oraz długość przekroczeń w jednostce czasu tak, aby wyraźnie odróżnić niewielkie zmiany w funkcjonowania urządzenia od potencjalnie groźnych anomalii. 
CASE 1 Napęd slave
Napęd slave - usterka wentylatora

Wykryto przekroczenia parametru PeakVue (parametr pozwalający na wczesne wykrywanie zużycia łożysk i przekładni) na przekładni napędu slave. Po weryfikacji zgłoszenia ekspertów ReliaSol przez zespół UR okazało się, że wentylator był uszkodzony.

Napęd slave - awaria łożyska koła jezdnego

Zaobserwowano zagęszczające się przekroczenia parametru PeakVue w obrębie przekładni i silnika napędu slave. Po weryfikacji zgłoszenia ekspertów ReliaSol przez zespół UR okazało się, że anomalia  związana była z awarią łożyska koła jezdnego napędu slave. Wymieniono cały moduł koła jezdnego.
CASE 2 Napęd slave - druga usterka wentylatora
Zanotowano gwałtowne przekroczenie rms przyspieszeń drgań w obrębie przekładni i silnika napędu slave. Po weryfikacji zgłoszenia ekspertów ReliaSol przez zespół UR okazało się, że uchwyt trzymający wentylator na Slave’ie jest uszkodzony. Detekcja skutkowała zaleceniem wymiany wentylatora na nowy.
Podsumowanie
Już w ciągu kilku pierwszych miesięcy pracy, system pomógł w detekcji dwóch usterek oraz pozwolił na wykrycie anomalii w działaniu układu. Obecnie, dzięki regularnie przeprowadzanym przeglądom danych, system pozwala na głębszy wgląd w pracę układnicy oraz na odróżnienie anomalii awaryjnych od nieistotnych zdarzeń. Wdrożenie systemu predykcyjnego RSIMS wpłynęło w znacznym stopniu na zmniejszenie kosztów awarii i serwisów. Obecnie firma jest w stanie w czasie rzeczywistym określać ryzyko awarii i podejmować skuteczne oraz szybkie decyzje biznesowe w obrębie monitorowanej układnicy.
O firmie
ReliaSol jest spółką, powstałą w odpowiedzi na rosnącą potrzebę zwiększania wydajności maszyn i instalacji w przemyśle.
Dostarczamy oprogramowanie i usługi, które przyspieszają proces transformacji cyfrowej. Aplikacje, które tworzymy łączą dane rzeczywiste z maszyn, sensorów, raportów ze zdarzeń oraz automatyzują wyciąganie wniosków. Efektem ich pracy jest wizualizacja danych, przewidywanie zdarzeń i monitorowanie optymalnego zakresu pracy maszyn, a także całych linii produkcyjnych.
Skontaktuj się z nami
Chętnie odpowiemy na Twoje pytania
Reliability Solutions Sp. z o. o.
ul. Królewska 57, 30-081 Kraków, Polska
icon phone+48 12 394 11 2 icon mailbiuro@reliasol.ai
Piotr Lipnicki
Chief Executive Officer
icon phone+48 605 241 056 icon mailpiotr.lipnicki@reliasol.ai
Dariusz Broda
Head of Engineering
icon phone+48 517 688 108 icon maildariusz.broda@reliasol.ai
Reliability Solutions Sp. z o. o.
ul. Królewska 57, 30-081 Kraków, Polska
+48 12 394 11 2 biuro@reliasol.ai
  • Logistyka
  • Układnica magazynowa
Other
Grupa Azoty – opracowanie modelu optymalizacji

Grupa Azoty – opracowanie modelu optymalizacji

Zobacz, jak opracowaliśmy model optymalizacji instalacji reformingu w oparciu o głębokie sieci neuronowe w Grupa Azoty Tarnów.

CZYTAJ CASE STUDY
Case study: analiza powtarzających się problemów z bateriami pojazdów

Case study: analiza powtarzających się problemów z bateriami pojazdów

Dowiedz się, jak poznać przyczynę powtarzających się problemów z bateriami pojazdów.

CZYTAJ CASE STUDY
Case study: Wykrywanie wykroczeń poza optymalne warunki pracy w młynach spożywczych

Case study: Wykrywanie wykroczeń poza optymalne warunki pracy w młynach spożywczych

Case study lidera w technologiach i urządzeniach do przetwórstwa ziarna. Dowiedź się, jak wykryć wykroczenia poza optymalne warunki pracy w młynach spożywczych przy pomocy systemy RSIMS.

CZYTAJ CASE STUDY