Prediktivní údržba eskalátorů v Dopravním podniku hl. m. Prahy (DPP)

Pražské metro denně přepraví milion cestujících a eskalátory jsou pro něj nezbytné. Mechanické součásti eskalátorů jsou tedy neustále používány a opotřebovávány. Provozovatel musí vědět, kdy je nutná údržba a výměna poškozené součásti, aby se předešlo jejich selhání. Neuronový Soundware nabízí řešení tohoto problému a tím je prediktivní údržbu .

Cílem projektu je minimalizace počtu poruch a výpadků eskalátorů. Díky informacím pro servisní tým o stavu rizikových součástí zařízení se zkracuje doba údržby a náklady s ní spojené. Automatizované digitalizované řešení pro službu dlouhodobé údržby prodlužuje životnost zařízení.

Zákaznický software nShield zobrazuje chování eskalátorů analyzované pomocí zvuku a umělé inteligence v reálném čase. Data jsou shromažďována pomocí hardwarového IoT řešení (nBox) s akustickými senzory.

Na základě matematických modelů dokáže systém identifikovat anomálii a odchylku součásti od nominálního stavu. Aplikací znalostí o mechanické součásti pak systém může identifikovat konkrétní poruchu, upozornit obsluhu a doporučit konkrétní údržbu nebo výměnu.

Blog
Obsluha údržby získá aplikaci s jasným přehledem jednotlivých komponent. Včetně poznatků diagnostika a doporučení pro diagnostiku jednotlivých komponent. Přístup k informacím je vzdálený a online.

Co o řešení říkají zástupci DPP

"Jako každé zařízení v dopravním systému se i eskalátory mohou porouchat a způsobit výpadek kritické části dopravní infrastruktury. Při monitorování našich zařízení chceme využít digitalizaci, a proto jsme zvolili řešení, kdy senzory sbírají akustická data a zpracovávají je pomocí umělé inteligence. To nám umožňuje sledovat jeho stav na dálku a vyslat specialistu, pokud zařízení Neuron Soundware upozorní na změnu stavu částí eskalátoru.," říká Ing. Petr Vondráček, Vedoucí jednotky Dopravní zařízení, Dopravní podnik hl. m. Prahy, akciová společnost.

Jak vnímá zakladatel NSW tento jedinečný projekt s DPP?

Obtížný přístup k zařízení, nutnost provádět opravy mimo běžný provoz a dlouhé čekací doby na náhradní díly - to vše komplikuje údržbu eskalátorů. Společnost Neuron Soundware vybavil 21 eskalátorů 189 snímači, čímž se Pražský dopravní podnik zařadil na seznam zákazníků, kteří využívají automatické monitorování strojů v automobilovém, těžebním a energetickém průmyslu.

"Některé součásti eskalátorů se nacházejí na místech, která jsou pro člověka obtížně přístupná, často bez telefonního signálu nebo internetového připojení. Pro takové případy jsme vyvinuli verzi našeho zařízení, která nám umožňuje zpracovávat signál kompletně v koncové jednotce, v místě, kde je zvuk zaznamenáván. Využíváme spolehlivé a v konečném důsledku méně nákladné řešení zpracování dat přímo na místě v mikropočítači bez nutnosti odesílat terabajty dat z každého zařízení do cloudu," komentuje Ing. Pavel Konečný, CEO společnosti Neuron Soundware.

Jak vypadá projekt od instalace po uvedení do provozu

Fáze instalace HW řešení IoT

Eskalátory jsou vybaveny skupinou senzorů, která zaznamenává zvukové vzorky z monitorovaných součástí stroje do centrální jednotky nBox. Data jsou odesílána prostřednictvím LTE ke zpracování a uložení na portálu zákazníka.

Fáze sběru akustických dat a monitorování

Zvukové vzorky z provozu eskalátorů se ukládají v krátkých intervalech 24/7 do cloudu.

Umělá inteligence sleduje zvukové projevy eskalátoru a porovnává tyto údaje s nominálním chováním eskalátoru. Obsluha má kompletní přehled o stavu stroje. 

Fáze alertů: strojové učení neuronových sítí pro vyhodnocování nashromážděných dat

Zaznamenaná data jsou vyhodnocována trénovanými neuronovými sítěmi a vizualizována na webovém portálu. Zde mají k datům přístup operátoři DPP. Současně dostávají e-mailem a SMS upozornění na případné změny zvuku konkrétních komponent. Operátoři tak mohou stanovit priority a plánovat činnosti údržby. 

Fáze provozu, hodnocení a doporučení k opatřením

Výstraha je vyhodnocena na základě strojové knihovny a odborných znalostí diagnostika. Obsluha obdrží doporučení aktivit v oblasti údržby na daném zařízení.

Fáze posunu služby na další úroveň

Po vyhodnocení zaznamenaných anomálií aktualizujeme algoritmy tak, aby se služba výrazně zlepšila. Při příštím výskytu poruchy umělá inteligence odhalí vznikající anomálii dříve a s větší přesností. Zvyšuje se návratnost investic do celé služby a aktualizují se znalosti o chování stroje.