___________________________________________________________________________
Opracowanie procedury przetwarzania danych
temperaturowych z systemu SCADA na potrzeby
diagnostyki elementów przenośnika
Mateusz Sawicki1), Jakub Obuchowski1), Paweł Stefaniak1), Agnieszka Wyłomańska1), Radosław Zimroz1), Monika Hardygóra1,2)
1)
KGHM CUPRUM sp. z o.o. – Centrum Badawczo-Rozwojowe, Wrocław m.sawicki@cuprum.wroc.pl
2)
Politechnika Wrocławska, Wydział Geoinżynierii, Górnictwa i Geologii, Wrocław Streszczenie
W artykule został przedstawiony problem analizy wielowymiarowych danych temperaturo-wych z monitorowanych podzespołów przenośników taśmotemperaturo-wych w trybie online. System kontroli temperatury elementów wymaga ustawienia automatycznych progów decyzyjnych, w celu za-bezpieczania przenośnika taśmowego przed wystąpieniem awarii. Aktualne ww. progi decyzyj-ne ustawiadecyzyj-ne są według założeń służb eksploatujących urządzenia i są jednakowe dla każdego urządzenia w danym typie. Wstępne analizy temperatury z monitorowanych podzespołów poka-zały, że wpływ warunków środowiskowych oraz cykl życia urządzenia ma istotny wpływ na poziom temperatury pracy ww. podzespołów. Dlatego autorzy podjęli się przeprowadzenia ana-lizy wielowymiarowych danych temperaturowych, w celu zwiększenia funkcjonalności oraz sku-teczności diagnozowania stanu technicznego przenośników taśmowych. Efektem takich działań jest możliwość zastosowania prawidłowej profilaktyki remontowo-przeglądowej dedykowanej każdemu monitorowanemu urządzeniu indywidualnie, co przełoży się na wydłużenie trwałości podzespołów maszyny. W artykule przedstawiono procedury pozyskiwania danych pomiaro-wych, opisano procedurę identyfikacji wpływu czynników na postać sygnału i jego zmien-ność i wreszcie procedury przetwarzania, w tym walidacji i ekstrakcji informacji z surowych danych, a na podstawie obserwacji zaproponowano model surowego sygnału.
Słowa kluczowe: systemy SCADA, diagnostyka maszyn, górnictwo podziemne, przenośniki taśmowe
Development of SCADA system temperature data processing
procedure for diagnostics of belt conveyor’s elements
AbstractIn the paper problem of multivariate analysis of temperature data from online monitored com-ponents of belt conveyor has been presented. Temperature control system requires to set automatic decision thresholds in order to prevent belt conveyor from unexpected event. Cur-rently, the above mentioned thresholds are set according to the mining service responsible for exploitation of these machines and the thresholds are constant for each device type. Primary temperature analysis presented that environment conditions and life cycle of device affect temperature level of conveyor’s components. Therefore, the authors decided to perform mul-tivariate analysis of temperature data for improvement of functionality and effectiveness of diagnostics’methodsforbeltconveyor.Theresultallowstoapplyappropriateserviceand repair plan dedicated for eachmonitoreddevice,improvingitsreliability.Inthispaperprocedures of
data acquiring, procedure for identification of influence on signal variability and preprocessing procedure, as well as information extraction from raw data have been presented. Further-more, model of raw signal has been proposed.
Keywords: SCADA systems , machine diagnostics, underground mining, belt conveyors
Wprowadzenie
W eksploatacji przenośników taśmowych odnotować można szereg zagadnień związanych z doborem cech konstrukcyjnych i technologii montażu oraz istniejącymi warunkami eksploatacyjnymi i zachodzącymi procesami degradacyjnymi [11]. Zda-rzenia te, ściśle związane z awariami lub koniecznymi naprawami uszkodzeń, gene-rują wymierne koszty. Wszystko to sprawia, że użytkownicy, dążąc do poprawy efektywności transportu taśmowego, coraz większą wagę przywiązują nie tylko do kosztów inwestycyjnych, ale przede wszystkim do kosztów utrzymania ruchu. Roz-wój systemów akwizycji i transmisji danych stwarza okazję do pomiaru online wielu zmiennych fizycznych z procesów technologicznych. Jest to szczególnie ważne w kopalniach podziemnych, gdzie poziom zagrożeń jest wysoki, a warunki środowi-skowe dla górników są trudne. Użytkowanie systemów SCADA pozwala na uzyska-nie ważnych parametrów dotyczących wydajności procesu produkcji oraz stanu technicznego maszyn. Jednak funkcjonalność systemów monitoringu skupiona jest najczęściej na akwizycji i wizualizacji surowych danych [1-5]. W praktycznym zasto-sowaniu w przemyśle, a zwłaszcza w górnictwie, dane są trudne do interpretacji z powodu zakłóceń zewnętrznych (szumy, brakujące dane itd.) [13-15] i poziomu skomplikowania monitorowanego procesu. W warunkach kopalnianych diagnostyka maszyn, w tym przenośników taśmowych, wymaga dedykowanych systemów [6-10, 12]. W referacie została przedstawiona propozycja procedury przetwarzania i anali-zy wielowymiarowych danych temperaturowych. Wymienione procedury i analianali-zy zostały stworzone w oparciu o dane z systemu monitorowania sieci przenośników taśmowych w O/ZG Polkowice-Sieroszowice (rys. 1) z wielu monitorowanych kom-ponentów (przekładnie, bębny napędowe i inne. – rys. 2 i 3).
Rys. 1. Sieć przenośników taśmowych w kopalni podziemnej O/ZG „Polkowice-Sieroszowice” złożona z 82 przenośników
Ze względu na dużą liczbę monitorowanych podzespołów istnieje potrzeba wprowadzenia procedur automatycznej analizy, podejmowania decyzji i raportowa-nia przez system. Liczba kanałów dla każdego przenośnika zależy od jego rozwią-zania konstrukcyjnego (zazwyczaj kilkanaście). Ze względu na położenie przenośni-ka taśmowego w kopalni, mogą wystąpić różne temperatury podzespołów po wyłą-czeniu ww. przenośnika co jest uzależnione od warunków dołowych oraz wentylacji wyrobiska, w którym przenośnik się znajduje.
Rys. 2. Lokalizacja czujnika temperatury zabudowanego na przekładni napędowej
Rys. 3. Przykładowe lokalizacje czujników na przenośniku L-217
1. System akwizycji danych
System gromadzenia danych wykorzystywany w kopalni to wielokanałowy rejestra-tor danych o relatywnie niskiej częstotliwości próbkowania, pracujący w trybie cią-głym. Aby uniknąć zbierania dużej ilości danych, proces próbkowania zmiennych nie jest przeprowadzany w stałych odstępach czasu, ale po zmianie wartości zmiennej o wcześniej założony próg. Takie rozwiązanie znacząco zmniejsza ilość zbieranych danych, jednak wywołuje wiele problemów w przetwarzaniu sygnałów.
Po pierwsze, każdy z kanałów może mieć różną ilość próbek w tym samym okre-sie. Ww. próbki nie są równomiernie rozłożone w czasie oraz synchronizowane, więc proste porównywanie poszczególnych kanałów jest utrudnione. Ze względu na zmienny okres próbkowania, sygnały nie mogą być rozpatrywane jako szeregi cza-sowe i muszą być wstępnie przetworzone.
Na rys. 4 przedstawiono przykład danych temperaturowych z czterech kanałów czujników na przekładniach. Analizowany przedział czasowy wynosił miesiąc. Moż-na zauważyć 4 sekcje, które związane są z 4 tygodniami pracy przenośnika taśmo-wego. W niedzielę, gdy maszyny nie pracują, temperatura spada do temperatury otoczenia w wyrobisku podziemnym. W ciągu tygodnia zachowanie temperatury jest cykliczne.
Rys. 4. Przykład danych temperaturowych
W sygnale wartości kilku próbek są nieprawidłowe (temperatura jest ujemna, co jest fizycznie niemożliwe w wyrobiskach kopalni podziemnej, w których temperatura średnio zmienia się od 28 °C do 33 °C). Z przedstawionego wykresu surowych nych trudno wnioskować o zmianie stanu w czasie. Jednak prosta wizualizacja da-nych na jednym wykresie (rys. 5) pozwala zaobserwować, że dla kanału C (czerwo-ny) temperatury w sekcji 2 i 3 są znacznie wyższe od pozostałych. Podobna sytua-cja występuje dla kanału A (niebieski), jednak trudniej to zauważyć.
Rys. 5. Porównanie wszystkich kanałów – przekładnie
Można dojść do wniosku, że istnieje poważna potrzeba „czyszczenia” danych, segmentacji sygnału (usunięcie obserwacji gromadzonych w niedziele, gdy przeno-śniki taśmowe nie pracują) i przekształcenia danych, w celu uzyskania nowej repre-zentacji o czysto diagnostycznym znaczeniu (funkcja zależna od zmiany stanu ma-szyny, a nie od zmiany temperatury otoczenia).
2. Procedura automatycznego przetwarzania
Jak już wspomniano, systemy SCADA są często używane do monitorowania niektó-rych zmiennych fizycznych przez porównywanie ich z założonymi wcześniej progami ostrzegawczymi i alarmowymi, w celu zapewnienia informacji diagnostycznej odpo-wiednim służbom [17-19]. W dalszej części artykułu zostanie przedstawiona kolej-ność działań i procedury przetwarzania danych, które prowadzą do uzyskania infor-macji diagnostycznej. Na rys. 6 został przedstawiony algorytm postępowania.
Rys. 6. Algorytm wstępnego przetwarzania danych temperaturowych
Odstające obserwacje
Odstające obserwacje mogą pojawić się w wyniku błędu systemu pomiarowego lub wynikać ze specyfiki pracy monitorowanego systemu. W analizowanych danych temperaturowych również można zanotować takie obserwacje. Dlatego pierwszym krokiem jest usunięcie odstających obserwacji. Procedura oparta jest na usunięciu ujemnych wartości temperatury i zastąpienie ich dla uproszczenia wartością średnią próbek poprzedniej i następnej. Na rys. 7 przedstawiono dane po usunięciu odstają-cych obserwacji.
Rys. 7. Sygnały po usunięciu obserwacji odstających
Surowe dane Usuwanie odstających obserwacji Resampling Segmentacja Dane o znaczeniu diagnosty-cznym
Resampling
Analizowane dane nie są równomiernie próbkowane. Dlatego w następnym kroku należy przepróbkować sygnał tak, aby analizowane dane mogły być traktowane jako szeregi czasowe. W celu przepróbkowania danych używamy interpolacji liniowej.
Rys. 8. Sygnały po resamplingu
Segmentacja
Surowy sygnał przedstawiony na poprzednich rysunkach pokazuje sekwencyjność danych. Pomiędzy znacznymi wahaniami w pewnych okresach czasu (tygodniowo) występują także krótkie cykle wzrostu i spadku temperatury. Istnieje potrzeba po-dzielenia całej obserwacji na części o jednorodnym zachowaniu, procedurę taką nazywamy segmentacja sygnału [16]. Można łatwo zauważyć 4 cykle danych. Sy-gnał został podzielony na cztery części, a dalszej analizie poddano trzy pierwsze, jak przedstawiono na rys. 9.
Model sygnału
Na podstawie obserwacji zaproponowano model surowego sygnału S(t), który może być wyrażony jako:
S(t)=P(t)+F(t)+N(t) (1)
gdzie funkcja P(t) reprezentuje deterministyczny trend, F(t) jest okresową funkcją deterministyczną, która reprezentuje sezonowe wahania w danych, a N(t) jest pro-cesem losowym (szum Gaussowski). Reprezentacja przedstawiona w równaniu (1) nawiązuje do tak zwanej dekompozycji Wolda, gdzie model sygnału również składa się z trzech elementów. Z punktu widzenia diagnostyki, najważniejsze informacje zawiera komponent trendu P(t). Jest on powiązany ze zmianą stanu technicznego maszyny.
Identyfikacja składowej sezonowej
Wyodrębnione segmenty zestawiono na rys. 9. Z łatwością można odnotować cy-kliczny charakter zmian temperatury dla wszystkich kanałów i tygodni. Zmienność ta wiąże się z czynnikami operacyjnymi [11]. Zastosowanie analizy widmowej pozwoliło ustalić, że cykl ten jest równy długości zmiany, tj. 6 h.
Rys. 9. Sygnały po resamplingu, gdzie każdy wykres jest reprezentacją wszystkich kanałów w jednym tygodniu
Identyfikacja składowej trendowej
Na rys. 10 pokazano zidentyfikowaną składową trendową, która zawiera pożądane informacje o zmianie stanu technicznego przekładni. Składową deterministyczną można wyodrębnić z pierwotnej obserwacji różnymi technikami, np. poprzez aprok-symację wielomianową.
Rys. 10. Zidentyfikowane składowe trendowe dla 3 kanałów w 3 tygodniach
W artykule przedstawiono system diagnostyki elementów przenośnika na podstawie da-nych temperaturowych, mierzoda-nych na różda-nych elementach przenośnika. Analizie poddano dane z przekładni przenośnika z jednego miesiąca. Zaproponowano procedurę przetwarzania danych celem uzyskania informacji o znaczeniu diagnostycznym. Przedstawione wstępne wyniki, będą przedmiotem dalszych badań.
Podsumowanie
W referacie przedstawiono problemy analizy danych temperaturowych z systemów SCADA. Bez względu na stosowany system akwizycji danych, występuje silna po-trzeba stosowania automatycznych algorytmów decyzyjnych. Zostały zaproponowane procedury wstępnego przetwarzania i analizy wielowymiarowych danych temperatu-rowych, opracowane, jako dedykowane narzędzie do diagnostyki jednostek napędo-wych przenośników taśmonapędo-wych. Przeprowadzenia wstępne analizy wielowymiaronapędo-wych
danych temperaturowych mogą posłużyć zwiększeniu funkcjonalności oraz skutecz-ności diagnozowania stanu technicznego przenośników taśmowych. Efektem takich działań jest możliwość zastosowania prawidłowej profilaktyki remontowo-przeglądowej, dedykowanej każdemu monitorowanemu urządzeniu indywidualnie, co przełoży się na wydłużenie trwałości podzespołów urządzenia.
Bibliografia
[1] Yang W., Little C., Tavner P.J., Court R., 2014, Data-driven technique for interpreting wind turbine condition monitoring signals, IET Renewable Power Generation 8/2, s. 151--159.
[2] Guo P., Infield D., Yang X., 2012, Wind turbine generator condition-monitoring using temperature trend analysis. IEEE Transactions on Sustainable Energy, 3 (1), art. no. 5970135, s. 124-133. doi: 10.1109/TSTE.2011.2163430.
[3] Astolfi D., Castellani F., Terzi L., 2014, Fault prevention and diagnosis through SCADA temperature data analysis of an onshore wind farm, Diagnostyka. 15/2, s. 71-78. [4] Yang W., Court R., Jiang J., 2013, Wind turbine condition monitoring by the approach of
SCADA data analysis, Renewable Energy, 53, s. 365-376.
[5] Wilkinson M., Darnell B., Van Delft T., Harman K., 2014, Comparison of methods for wind turbine condition monitoring with SCADA data, IET Renewable Power Generation, 8 (4), s. 390-397.
[6] Eliasson J., Kyusakov R., Martinsson P.E., Eriksson T., Oeien C., 2013, An internet of things approach for intelligent monitoring of conveyor belt rollers, 10th International Con-ference on Condition Monitoring and Machinery Failure Prevention Technologies 2013, CM 2013 and MFPT 2013 2, s. 1096-1104.
[7] Sadhu P.K., Chattopadhyaya S., Chatterjee T.K., Mittra D.K., 2008, Online monitoring and actuation for curing of rubber conveyor belts, Journal of the Institution of Engineers (India): Mechanical Engineering Division 89, s. 31-35.
[8] Zhang X., Fan T.N., 2012, The research of distribute temperature monitoring system early warning fire in coal belt conveyor, Advanced Materials Research 548, s. 890-892. [9] Wei Y., Wu W., Liu T., Sun Y., 2013, Study of coal mine belt conveyor state on-line
monitoring system based on DTS, Proceedings of SPIE – The International Society for Optical Engineering 8924, Article number 89242I.
[10] Kuttalakkani M., Natarajan R., Singh A.K., Vijayakumar J., Arunan S., Sarojini L., Sensor based effective monitoring of coal handling system (CHS), International Journal of Engi-neering and Technology, 5/3, s. 2432-2435.
[11] Bartelmus W., Diagnostyka maszyn górniczych, Górnictwo odkrywkowe, Wyd. Śląsk, 1998, s. 264.
[12] Bongers D.R., Gurgenci H., 2008, Fault Detection and Identification for Longwall Ma-chinery Using SCADA Data, Complex System Maintenance Handbook, Springer Series in Reliability Engineering, s. 611-641.
[13] Obuchowski J., Wylomańska A., Zimroz R., 2014, Recent developments in vibration based diagnostics of gear and bearings used in belt conveyors, Applied Mechanics and Materials 683, s. 171-176.
[14] Zimroz R., Wodecki J., Krol R., Andrzejewski M., Sliwinski P., Stefaniak P.K., 2014, Self-propelled mining machine monitoring system – data validation, processing and analysis. Mine planning and equipment selection: proceedings of the 22nd MPES Conference, C. Drebenstedt, R. Singhal (eds.), Dresden, s. 1285-1294.
[15] Jablonski A., Barszcz T., 2013, Validation of vibration measurements for heavy duty machinery diagnostics, Mechanical Systems and Signal Processing, 38 (1), s. 248-263. [16] Wylomanska A., Zimroz R., 2014, Signal segmentation for operational regimes detection
of heavy duty mining mobile machines – A statistical approach, Diagnostyka, 15/2, s. 33--42.
[17] Jablonski A., Barszcz T., Bielecka M., Breuhaus P., 2013, Modeling of probability distri-bution functions for automatic threshold calculation in condition monitoring systems, Measurement: Journal of the International Measurement Confederation, 46/1, s. 727- -738.
[18] Stefaniak P., Wyłomańska A., Obuchowski J., Zimroz R., 2015, Procedures for decision thresholds finding in maintenance management of belt conveyor system – statistical modeling of diagnostic data, [w:] Lecture Notes in Production Engineering, Ch. Nie-mann-Delius (ed.), Springer, s. 391-402.
[19] Zimroz R., Bartelmus B., Barszcz T., Urbanek J., 2014, Diagnostics of bearings in pres-ence of strong operating conditions non-stationarity – A procedure of load-dependent features processing with application to wind turbine bearings, Mechanical Systems and Signal Processing, 46/1, s. 16-27.
