179 CUPRUM Czasopismo Naukowo-Techniczne Górnictwa Rud nr 3 (76) 2015, s. 179-187 Opracowanie procedury przetwarzania danych temperaturowych z systemu SCADA na potrzeby diagnostyki elementów przenośnika Mateusz Sawicki 1), Jakub Obuchowski 1), Paweł Stefaniak 1), Agnieszka Wyłomańska 1), Radosław Zimroz 1), Monika Hardygóra 1,2) 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 temperaturowych z monitorowanych podzespołów przenośników taśmowych w trybie online. System kontroli temperatury elementów wymaga ustawienia automatycznych progów decyzyjnych, w celu zabezpieczania przenośnika taśmowego przed wystąpieniem awarii. Aktualne ww. progi decyzyjne ustawiane są według założeń służb eksploatujących urządzenia i są jednakowe dla każdego urządzenia w danym typie. Wstępne analizy temperatury z monitorowanych podzespołów pokazały, że wpływ warunków środowiskowych oraz cykl życia urządzenia ma istotny wpływ na poziom temperatury pracy ww. podzespołów. Dlatego autorzy podjęli się przeprowadzenia analizy wielowymiarowych danych temperaturowych, w celu zwiększenia funkcjonalności oraz skuteczności 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 pomiarowych, opisano procedurę identyfikacji wpływu czynników na postać sygnału i jego zmienność 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 Abstract In the paper problem of multivariate analysis of temperature data from online monitored components of belt conveyor has been presented. Temperature control system requires to set automatic decision thresholds in order to prevent belt conveyor from unexpected event. Currently, 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 multivariate analysis of temperature data for improvement of functionality and effectiveness of diagnostics methods for belt conveyor. The result allows to apply appropriate service and repair plan dedicated for each monitored device, improving its reliability. In this paper procedures of
180 data acquiring, procedure for identification of influence on signal variability and preprocessing procedure, as well as information extraction from raw data have been presented. Furthermore, 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]. Zdarzenia te, ściśle związane z awariami lub koniecznymi naprawami uszkodzeń, generują 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. Rozwój 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 środowiskowe dla górników są trudne. Użytkowanie systemów SCADA pozwala na uzyskanie 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 zastosowaniu 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 analizy wielowymiarowych danych temperaturowych. Wymienione procedury i analizy zostały stworzone w oparciu o dane z systemu monitorowania sieci przenośników taśmowych w O/ZG Polkowice-Sieroszowice (rys. 1) z wielu monitorowanych komponentów (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
181 Ze względu na dużą liczbę monitorowanych podzespołów istnieje potrzeba wprowadzenia procedur automatycznej analizy, podejmowania decyzji i raportowania przez system. Liczba kanałów dla każdego przenośnika zależy od jego rozwiązania konstrukcyjnego (zazwyczaj kilkanaście). Ze względu na położenie przenośnika taśmowego w kopalni, mogą wystąpić różne temperatury podzespołów po wyłączeniu 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 rejestrator danych o relatywnie niskiej częstotliwości próbkowania, pracujący w trybie ciągłym. 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.
182 Po pierwsze, każdy z kanałów może mieć różną ilość próbek w tym samym okresie. 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 czasowe i muszą być wstępnie przetworzone. Na rys. 4 przedstawiono przykład danych temperaturowych z czterech kanałów czujników na przekładniach. Analizowany przedział czasowy wynosił miesiąc. Można zauważyć 4 sekcje, które związane są z 4 tygodniami pracy przenośnika taśmowego. 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 danych trudno wnioskować o zmianie stanu w czasie. Jednak prosta wizualizacja danych na jednym wykresie (rys. 5) pozwala zaobserwować, że dla kanału C (czerwony) temperatury w sekcji 2 i 3 są znacznie wyższe od pozostałych. Podobna sytuacja 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 przenośniki taśmowe nie pracują) i przekształcenia danych, w celu uzyskania nowej reprezentacji o czysto diagnostycznym znaczeniu (funkcja zależna od zmiany stanu maszyny, a nie od zmiany temperatury otoczenia).
183 2. Procedura automatycznego przetwarzania Jak już wspomniano, systemy SCADA są często używane do monitorowania niektórych zmiennych fizycznych przez porównywanie ich z założonymi wcześniej progami ostrzegawczymi i alarmowymi, w celu zapewnienia informacji diagnostycznej odpowiednim służbom [17-19]. W dalszej części artykułu zostanie przedstawiona kolejność działań i procedury przetwarzania danych, które prowadzą do uzyskania informacji diagnostycznej. Na rys. 6 został przedstawiony algorytm postępowania. Surowe dane Usuwanie odstających obserwacji Resampling Segmentacja Dane o znaczeniu diagnostycznym 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 odstających obserwacji. Rys. 7. Sygnały po usunięciu obserwacji odstających
184 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 podzielenia całej obserwacji na części o jednorodnym zachowaniu, procedurę taką nazywamy segmentacja sygnału [16]. Można łatwo zauważyć 4 cykle danych. Sygnał 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 procesem 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 cykliczny 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.
185 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 aproksymację wielomianową. Rys. 10. Zidentyfikowane składowe trendowe dla 3 kanałów w 3 tygodniach W artykule przedstawiono system diagnostyki elementów przenośnika na podstawie danych temperaturowych, mierzonych na różnych 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 potrzeba stosowania automatycznych algorytmów decyzyjnych. Zostały zaproponowane procedury wstępnego przetwarzania i analizy wielowymiarowych danych temperaturowych, opracowane, jako dedykowane narzędzie do diagnostyki jednostek napędowych przenośników taśmowych. Przeprowadzenia wstępne analizy wielowymiarowych
186 danych temperaturowych mogą posłużyć zwiększeniu funkcjonalności oraz skuteczności diagnozowania stanu technicznego przenośników taśmowych. Efektem takich działań jest możliwość zastosowania prawidłowej profilaktyki remontowoprzeglądowej, 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 Conference 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 Engineering 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 Machinery 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, Selfpropelled 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.
187 [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 distribution 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. Niemann-Delius (ed.), Springer, s. 391-402. [19] Zimroz R., Bartelmus B., Barszcz T., Urbanek J., 2014, Diagnostics of bearings in presence 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.
188