چگونه از هشدارهای برای تشخیص و جلوگیری از حرکت سنسور در طول زمان استفاده کنیم

درک تغییر سنسور و هزینه های پنهان آن

حرکت سنسور تدریجی، اغلب تغییر غیر قابل ملاحظه در خروجی اندازه گیری در طول زمان است، در حالی که مقدار اندازه گیری واقعی ثابت باقی می ماند، بر خلاف شکست های ناگهانی یا انفجار آشکار، حرکت به آرامی - گاهی اوقات بیش از هفته ها یا ماه ها - آن را به راحتی به نادیده گرفتن تا زمانی که یک بررسی غشایی یا حسابرسی کالیبراسیون نشان می دهد یک دیسک بزرگ است.این حرکت می تواند مثبت یا منفی باشد، یا غیر خطی، و یا محرک های حرارتی آن را در معرض تابش های حرارتی آسیب پذیر، مانند سنسور های حرارتی متنوع از نظر می کند:

عواقب حرکت موج کشف نشده در سراسر عملیات.در یک گیاه شیمیایی، سنسور pH خیره کننده ممکن است باعث ایجاد مواد شیمیایی خنثی سازی نادرست شود، که منجر به دسته محصولات یا حتی جریمه های نظارتی برای تخلیه زیست محیطی می شود، زیرا سنسور تخلیه طولانی مدت و ذخیره سازی داده ها می تواند ثبات محصول را به خطر اندازد و منجر به رد دسته های پر هزینه شود.

رویکردهای سنتی به برنامه های کالیبراسیون دوره ای متکی هستند، اما حتی کالیبراسیون های فصلی می توانند از بین بروند که بین چک ها توسعه می یابد.مدیریت سنسور مدرن نیاز به هوشیاری مداوم دارد و این جایی است که هشدارها ضروری می شوند.یک سیستم هشدار به خوبی طراحی شده از یک مسئولیت پنهان به یک مسئله قابل کنترل و فعال تبدیل می شود.

چرا هشدارها خط اول دفاع در برابر پیچ و تاب هستند

هشدارها سنسور را از یک بمب زمان پنهان به یک مسئله قابل کنترل تبدیل می کند، به جای انتظار برای چرخه کالیبراسیون بعدی، یک سیستم هشدار به درستی پیکربندی شده به طور مداوم خواندن سنسور را در برابر رفتار مورد انتظار ارزیابی می کند و پرسنل را قادر می سازد تا هشدار های اولیه را بررسی، اصلاح، یا جایگزینی سنسور ها قبل از حرکت بر کیفیت تولید، نتایج تحقیقات یا حاشیه ایمنی تاثیر بگذارد، بدون اینکه تجزیه و تحلیل دستی بسیار دقیق باشد.

هشدار های موثر بیش از اطلاع رسانی است؛ آنها زمینه ای را ارائه می دهند: یک زنگ هشدار ساده "حساسیت از محدوده" ممکن است زمانی که یک ارزش بیش از حد بالا یا کم است، اما این تمایز بین یک رویداد واقعی حرکت و یک روند عادی گذرا، با ارزش ترین حرکت، هشدارهای تاریخی، تجزیه و تحلیل نرخ تغییر، یا مقایسه چند سنسور را شامل می شود که این باعث می شود تا آسیب پذیری های اطلاعاتی خام، و روند را بر اساس شدت و روند جلوگیری کند.

طراحی یک سیستم هشدار که در اوایل رانندگی می کند

ایجاد یک سیستم هشدار متمرکز بر حرکت نیاز به پیکربندی متفکرانه از آستانه، پایه ها و قوانین پاسخ دارد. یک تنظیم هشدار عمومی باعث ایجاد بسیاری از مثبت کاذب یا از دست دادن روند آهسته حرکت در کل عناصر طراحی حیاتی است.

تنظیم Thresholds

سنگ بنای هر هشدار در حال حرکت آستانه است - مرز که در هنگام عبور، یک اعلان استاتیک را بر اساس دقت داده های نمودار سنسور یک نقطه شروع مشترک است، اما آنها اغلب نمی توانند برای فرایند طبیعی تنوع پذیری استاتیک حساب کنند، به عنوان مثال، سنسور فشار با دقت بیان شده ±1% ممکن است نوسانات طبیعی ±2% را به دلیل دوچرخه سواری یا تنظیم دمای ثابت ایجاد کند.

برای تنظیم آستانه ها به درستی، جمع آوری حداقل دو هفته از داده های عملیاتی طبیعی پوشش همه حالت های فرایند انتظار - استارت آپ، حالت ثابت، خاموش شدن و رویدادهای گذرا. Calculate میانگین آماری و انحراف استاندارد در طول دوره های ثابت حالت 1، یک روش معمول خواندن 0/0 ثانیه برای تنظیم آستانه هشدار در ±3 (سه انحراف استاندارد) و آستانه بحرانی در ±5، با این حال، اگر شما به طور معمول یک نوار آتش نشانی به طور منظم برسد، اگر شما به طور منظم به یک نوار آتش نشانی برسد، به طور منظم به طور منظم به اندازه کافی نیست، به طور منظم کمتر از حد حد کافی است.

سیستم عامل های نظارت مدرن اجازه می دهند تا لایه های چندگانه آستانه (FLT:0) آستانه های نوسان (FLT:1) (به عنوان مثال، 4.2 bar یا نرخ حرکت 0.01 بار / روز بیش از پنج روز) یک اعلان کم اولویت را ایجاد می کند، در حالی که آستانه بحرانی (به عنوان مثال، 4.5٪، یا نوار) سرعت پردازش را کاهش می دهد، در حالی که استفاده از یک مقدار کمتر از یک مقدار واکنش های ساده برای استفاده می کند.

اجتناب از خستگی هشدار با Deadbands و Hysteresis

سیستم هشدار که اغلب گرگ ها را صدا می کند، نادیده گرفته می شود (FLT:0) خستگی آلert هنگامی رخ می دهد که اپراتورهای بیش از حد بسیاری از اعلان های کم ارزش را دریافت می کنند، آنها را به شرایط اضطراری واقعی حساس می کنند، برای جلوگیری از این، پیاده سازی مرده ها (همچنین به نام هیستریس) برای عبور از آستانه، جلوگیری از هشدار سریع و خاموش کردن در هنگام خواندن آن، تنها زمانی که ممکن است از هشدار سریع در برابر سرعت در برابر آن جلوگیری شود.

علاوه بر این، از هشدار در هر نقطه داده ای خودداری کنید، در عوض، از یک perence] استفاده کنید : تنها عامل پس از این که وضعیت برای یک دوره تعریف شده برآورده می شود - مثلا سه مطالعه متوالی یا 15 دقیقه ای که صدا و موج های لحظه ای را فیلتر می کند که نشان دهنده حرکت نیست.

اتوماسیون و گردش کار پله ها

هشدار تنها به عنوان تحویل آن و پاسخ آن را محرک می کند. [۱] ایمیل رایج است، اما برای هشدار های فوری حرکت، SMS، اعلان های فشار و یا ادغام مستقیم با سیستم های SCADA یا MES [۱۰]، حتی یک سیستم عامل هشدار دهنده و راه حل های مشکوک - از جمله کسانی که بر روی چارچوب های CMS بدون انعطاف پذیر مانند [F:2] تنظیم شده است، زمانی که شما یک سیستم عامل هشدار داده های خودکار را حل می کند، حتی اجازه می دهد.

طراحی یک مسیر تشدید برای هشدار های بدون اطلاع، هشدار نادیده گرفته شده پس از یک ساعت باید به طور خودکار به یک هشدار انتقادی ارتقاء داده شود و پس از 15 دقیقه دیگر، سیستم می تواند یک گام کاهش از پیش تعریف شده را آغاز کند - مانند مقایسه تغییرات در برابر یک سنسور خواهر یا ایجاد یک درخواست کالیبراسیون در سیستم تعمیر و نگهداری.پاسخ مورد انتظار برای هر نوع هشدار را مستند کنید: به عنوان مثال، "ارزیابی دقیق در مورد زمان و یا "تغییرات اضافی" را با نتایج پردازش کنید.com.

اجرای یک سیستم هشدار دهنده در چهار مرحله

استقرار یک سیستم عامل کارآمد و کارآمد شامل چهار مرحله ساختاری است: انتخاب پلت فرم، جمع آوری داده های پایه، پیکربندی آستانه و تعریف گردش کار.

مرحله 1: یک پلتفرم نظارت را انتخاب کنید

یک سیستم را انتخاب کنید که از مصرف مداوم داده ها، روند طولانی مدت تاریخی و هشدار مبتنی بر قانون انعطاف پذیر پشتیبانی می کند. پلتفرم های IoT مبتنی بر ابر مانند AWS IoT Core یا Azure IoT Hub ارائه خدمات تشخیص مبتنی بر ناهنجاری های اولیه، در حالی که راه حل های تغییر وب به شما کنترل کامل بر گره های داده و تاخیر را می دهد.

مرحله 2: ایجاد پایگاه داده داده

داده های پایه برای آستانه های معنی دار ضروری است. جمع آوری حداقل دو هفته از عملیات طبیعی برای هر سنسور، ثبت همه حالت های فرایند مورد انتظار برای فرآیندهای فصلی، جمع آوری داده ها در طول چند ماه است.استفاده از روش های آماری - محاسبه معنی، انحراف استاندارد و درصد برای دوره های ثابت ردیابی. Outliers از ترانس باید از محاسبه پایه به طور خودکار برخی از سیستم های به روز رسانی ساده (برای تنظیم مجدد یک نوار پایه).

مرحله 3: Configure Thresholdsolds with Drift in Mind

هشدار های پیچ و خم نیاز به یک رویکرد دوگانه دارند: آستانه های ارزش مطلق برای انحراف ناگهانی بزرگ و آستانه های مبتنی بر روند برای سرعت، پیچ و خم شدن روند، بسیاری از سیستم عامل های نظارت میانگین متحرک یا مجموع تجمعی (CUSUM) الگوریتم های تحمل تنگ (CUSUM) را در آستانه حرکت به ازای هر مقدار 0.5٪ از یک هدف بر زمان جمع آوری می کنند؛ هنگامی که خلاصه ای از یک فرآیند تولید مدت طولانی (به عنوان مثال ممکن است یک نوار شیب ثابت کند.

مرحله 4: قوانین اعلان و ارتفاع را تعریف کنید

میزان شدت را به هر هشدار.یک هشدار ممکن است یک شاخص داشبورد و یک ایمیل هضم روزانه ایجاد کند؛ هشدار انتقادی باید یک مهندس تماس را در عرض چند دقیقه از طریق SMS یا فشار، استفاده از تشدید تنش ها: اگر یک هشدار انتقادی در عرض 15 دقیقه تایید نشود، سیستم یک پاسخ دهنده دوم را تایید نمی کند یا یک گام کاهش خودکار را آغاز می کند.

استراتژی های پیشگیرانه برای به حداقل رساندن فرکانس های پیچ و خم و Severity

هشدارها زود حرکت می کنند، اما شیوه های پیشگیرانه کاهش می دهد که اغلب اوقات حرکت رخ می دهد و چقدر شدید می شود.یک برنامه مدیریت سنسور جامع، کالیبراسیون، کنترل محیط زیست و کاهش تنش را ادغام می کند.

کالیبراسیون منظم با استانداردهای غیر قابل رقابت

کالیبراسیون استاندارد طلا برای حفظ دقت است.پیشنهادهای تولید کننده را دنبال کنید، اما همچنین پس از هر رویداد غیر معمول کالیبر قدرت، قرار گرفتن در معرض دمای شدید یا رطوبت، شوک فیزیکی یا آلودگی شیمیایی کالیبره شده است.استفاده از تنظیم سریع تر از طریق سنسورهای پردازش قبل از حد ممکن است در پایان سنسور مشکل ساز در سراسر ناوگان بزرگ شما اطمینان حاصل شود.

کنترل محیط زیست و تمیز کردن منظم

دما، رطوبت، ارتعاشات و تداخل الکترومغناطیسی شتاب دهنده های متحرک معمول هستند. سنسورهای نصب شده در محفظه هایی که محیط محلی خود را تثبیت می کنند، از مسکن های ترموستات شده برای سنسورهای حساس به دما (به عنوان مثال، تجزیه و تحلیل گاز)، مایلها و فیلترهای نفس برای سنسورهای تقویت رطوبت (به عنوان مثال، د نقطه)، و سنسورهای ارتعاش برای یک نمونه سیم کشی زمینی، برای تمیز کردن منظم و تمیز کردن پنجره ها، جلوگیری می کنند.

Redundancy و Sensor Fusion برای Cross-Verification

استفاده از دو یا چند سنسور از همان نوع در نقطه فرآیند اجازه می دهد تا متقابل یکپارچه سازی شود، اگر تجزیه و تحلیل یک سنسور از دیگران جدا شود و از آستانه روند عبور کند، یک نقطه هشدار به حرکت احتمالی برای اندازه گیری های بحرانی، استفاده از فاصله سه گانه با منطق رای گیری سنسور ترکیب داده ها از انواع مختلف سنسور (به عنوان مثال، فشار، و خطا) برای برآورد یک فرآیند اندازه گیری سیگنال اتصال به طور سیستماتیک است.

تکنیک های پیشرفته: یادگیری ماشین برای تشخیص Subtle

آستانه های استاتیک برای فرآیندهای ساده و پایدار کار می کنند، اما بسیاری از سیستم های دنیای واقعی رفتارهای غیر ایستگاهی را نشان می دهند - تغییرات فصلی، تغییرات بار یا تخریب تدریجی مدل های یادگیری ماشین می توانند الگوهای عملیاتی طبیعی و انحراف پرچم را یاد بگیرند که آستانه های معمولی از دست می دهند. دو تکنیک به ویژه موثر، کدر و شبکه های عصبی مکرر هستند.

Autoencoders برای بازسازی آنومای

یک خودکار کدر یک شبکه عصبی است که برای بازسازی ورودی آن آموزش دیده است، هنگامی که در داده های سنسور طبیعی (بدون حرکت)، الگوهای معمول را یاد می گیرد، هنگامی که یک سنسور متحرک یک الگوی غیرعادی را ایجاد می کند - به عنوان مثال، یک انحراف آهسته - خطای بازسازی نشان می دهد که یک آستانه در این خطا بازسازی باعث هشدار هنگامی که در حال حاضر است.

شبکه های عصبی فعلی برای وابستگی های موقتی

شبکه های عصبی در حال حاضر (RNNs)، به ویژه مدل های حافظه کوتاه مدت (LLT) برای ثبت وابستگی های زمانی در داده های متوالی طراحی شده اند، آنها می توانند تکامل معمول سیگنال سنسور را در طول زمان از ساعت ها یا روزهای بازرسی باز یاد بگیرند؛ سپس تعداد کمی از خواندن بعدی را پیش بینی می کنند؛ اگر خواندن لبه واقعی به طور مداوم از پیش بینی منحرف شود، احتمالاً R0 برای تشخیص دقیق دقیق تر از طریق پنجره های گرافیکی، به یاد می رود.

مدل های ML نیاز به داده های آموزش تمیز دارند – اطمینان حاصل کنید که مجموعه داده های آموزشی شما عاری از حوادث رانندگی است یا آنها را به طور مناسب برچسب می زنند. Retrain به طور دوره ای برای انطباق با تغییرات فرایند.در حالی که این روش ها نیاز به منابع محاسباتی بیشتری دارند، آنها به طور چشمگیری مثبت کاذب در محیط های پیچیده مانند راکتورهای شیمیایی، ساخت نیمه هادی یا خطوط بسته بندی مداوم را کاهش می دهند.

برنامه های جهانی واقعی هشدار های متحرک

مطالعات موردی زیر نشان می دهد که چگونه سیستم های هشدار رانندگی بازده قابل اندازه گیری را در سرمایه گذاری در سراسر صنایع ارائه می دهند.

سنسور های دمای صنعتی در یک خیانت

یک پالایشگاه بزرگ از صدها ترمزو برای نظارت بر دمای راکتور در چندین واحد استفاده می کند.در طول زمان، اتصالات فلزی اکسید شده، باعث حرکت منفی می شود - خواندن کمتر از دمای واقعی می شود، این حرکت می تواند اپراتورهای را به استفاده از گرمای بیش از حد، به طور بالقوه باعث خرابی لوله و خاموش شدن های غیر برنامه ریزی شده، این پالایشگاه یک هشدار مبتنی بر روند را اجرا کرد که تفاوت بین هر ترم و میانگین چهار همسایه های جایگزین آن را به طور متوسط زمانی که به مقدار 48 ساعت کاهش می رسد، به دلیل کاهش می شود، فقط به مقدار زیادی از 2٪ از زمان کاهش می شود، کاهش می شود، به دلیل کاهش می شود.

نظارت بر محیط زیست برای کیفیت هوا شهری

یک شبکه کیفیت هوا شهری از سنسورهای الکتروشیمیایی برای اندازه گیری NO2 و O3 در ده ها سایت استفاده می کند.این سنسورها به حرکت با سن و رطوبت شناخته شده اند، به ویژه در ماه های تابستان، سیستم هشدار سنسور هر مطالعه سنسور را با توجه به گزارش های مرجع در یک ایستگاه مرکزی اصلاح شده مقایسه می کند، با استفاده از یک پایه 30 روز قبل اگر یک انحراف سنسور از نظارت بر داده های مرجع برای دو هفته پیگیری، اطمینان از یک سیستم تنظیم داده ها، اطمینان حاصل شود.

نتیجه گیری: ساخت یک زیرساخت اندازه گیری پیچ و خم

حرکت سنسور یک نتیجه اجتناب ناپذیر از فیزیک و پیری مواد است، اما تاثیر آن بر کیفیت داده ها و تصمیمات عملیاتی نیست.با استقرار یک سیستم هشدار که ترکیب آستانه های به خوبی-chosen، تشخیص روند و اعلان های چرخه عمر خودکار، شما می توانید به سرعت حرکت کنید و اقدامات اصلاحی قبل از اینکه اندازه گیری های خود را کاهش دهد، موثرترین سیستم ها فراتر از محدودیت های ساده برای ترکیب کردن پایه، تجزیه و تحلیل نرخ و تحلیل های فرآیند، حتی مطمئن ترین روش های ماشین، می باشد.