W ostatnich latach zastosowanie monitorowania stanu i konserwacji predykcyjnej znacznie wzrosło ze względu na rosnące wymagania dotyczące dostępności maszyn i ogólnej wydajności. Rozwój technologiczny, taki jak duże zbiory danych, inteligentne algorytmy, chmura i łączność bezprzewodowa, trafia na rynek, zwiększając możliwości zautomatyzowanej analizy i stwarzając szanse na przekształcenie procesu monitorowania i analizy.
Chmura przemysłowa
Konserwacja oparta na stanie (CBM) lub konserwacja predykcyjna ma kluczowe znaczenie dla systemów opartych na chmurze. Systemy te oferują analizę i interpretację danych w oparciu o modele/algorytmy zdefiniowane dla konkretnych maszyn i procesów. Odchylenia wykryte przez system prowadzą do zaleceń dotyczących konserwacji. Takie systemy pozwalają firmom przejść od konserwacji reaktywnej do konserwacji proaktywnej. Konserwacja może być przeprowadzona przed wystąpieniem rzeczywistych awarii.
Konserwacja predykcyjna
Ważne jest, aby zrozumieć, że konserwacja predykcyjna lub CBM nie są zależne od systemów opartych na chmurze. Wiele firm oferujących te rozwiązania przedstawia konserwację predykcyjną jako nową koncepcję. Tak nie jest; istniejące systemy monitorowania stanu (drgań) są dostępne na rynku przemysłowym od dziesięcioleci. Strategie konserwacji predykcyjnej mają zastosowanie od czasu wykorzystania systemów monitorowania stanu (on-line). Dane dostarczane przez te systemy są dostępne do monitorowania zachowania drgań, budowania trendów drgań i mogą być wykorzystywane do konserwacji predykcyjnej. Co więcej, systemy wspierające zautomatyzowaną analizę niekoniecznie są oparte na chmurze.
Dlaczego warto korzystać z automatycznej analizy?
Firmy zmagają się z silnie malejącym poziomem wiedzy specjalistycznej. Jest to w dużej mierze wynikiem przechodzenia ekspertów na emeryturę i niedoboru młodych ekspertów lub osób z odpowiednim wykształceniem. Ten brak wiedzy specjalistycznej można rozwiązać poprzez wdrożenie systemu umożliwiającego zautomatyzowaną analizę, w którym wiedza specjalistyczna jest zasadniczo przenoszona do systemu. System ten wykorzystuje modele/algorytmy do analizy i interpretacji danych dotyczących drgań, co skutkuje określonymi zaleceniami dotyczącymi konserwacji.
Dzięki automatyzacji analizy i interpretacji drgań maszyn wirnikowych, do wykonywania tej pracy potrzeba mniej lokalnych inżynierów. Dla firm, które zmagają się z malejącą liczbą kompetentnych ekspertów ds. drgań, przejście na zautomatyzowany system może być nieuniknione.
Wiedza specjalistyczna na żądanie
Naszym zdaniem główną szansą wynikającą z tych zmian jest poprawa wydajności i skuteczności monitorowania stanu. Wykorzystanie zautomatyzowanego przetwarzania danych w celu zapewnienia analizy pierwszej linii, bez konieczności posiadania lokalnej wiedzy specjalistycznej, może zmienić zasady gry. Bezprzewodowe czujniki i połączone systemy monitorowania mogą zmniejszyć wpływ na infrastrukturę i początkowe inwestycje w systemy monitorowania. Współdzielenie danych może ulepszyć algorytmy automatycznej analizy i oferuje możliwości zdalnego wsparcia. Technologie te zwiększają ogólną skuteczność i wartość systemów i struktur monitorowania stanu oraz zmieniają modele usług na ekspertyzy na żądanie.
Rozważania
Pomimo możliwości związanych z tymi nowymi technologiami, należy dokonać odpowiednich rozważań.
"Ponieważ analiza i podejmowanie decyzji są przenoszone do zautomatyzowanych systemów i zdalnych ekspertów, lokalni inżynierowie będą mniej zaangażowani w pracę maszyn".
1. Walidacja danych
Dane wejściowe są kluczowe dla każdej zautomatyzowanej lub zdalnej analizy, ponieważ polegają one wyłącznie na informacjach dostarczonych przez te dane wejściowe. Dlatego dane wejściowe muszą zostać zweryfikowane, w tym:
- Wybór odpowiedniego czujnika do danego zastosowania
- Kalibracja czujnika
- Stosunek sygnału do szumu
Ponadto należy zweryfikować dokładność danych. Przedstawione dane muszą być istotne i dokładne, aby uzyskać działającą strukturę konserwacji predykcyjnej. Dane o niskiej dokładności nie mogą być wykorzystywane do monitorowania. W świetle dokładności danych bardzo trudno jest poradzić sobie z (wyjątkowymi) wpływami środowiska, takimi jak zmiany w środowisku, wyjątkowe warunki procesu lub błąd ludzki. Np. wibracje wywołane przez inną maszynę (wibracje krzyżowe) mogą spowodować, że zautomatyzowany system wygeneruje fałszywy alarm.
2. Logistyka i konserwacja
Aby zebrać odpowiednie dane, należy zagwarantować pomiar i strumień danych. Należy zapewnić odpowiednią konserwację i logistykę:
- Zapobieganie krosowaniu czujników
- Zapobieganie fałszywemu umieszczaniu/lokalizowaniu czujników
- Odpowiedni interwał gromadzenia danych
- Dostępność zapasowych czujników
- Zarządzanie bateriami czujników i strategia ich wymiany
- Stabilne, bezpieczne i niezawodne połączenia sieciowe
3. Lokalna wiedza specjalistyczna
Ponieważ analiza i podejmowanie decyzji są przenoszone do zautomatyzowanych systemów i zdalnych ekspertów, lokalni inżynierowie będą mniej zaangażowani w pracę maszyn. W rezultacie rośnie zależność od zewnętrznych ekspertów w zakresie analizy i wsparcia.
4. Bezpieczeństwo i prywatność
Podłączając czujniki i sprzęt monitorujący do Internetu, cyberbezpieczeństwo staje się zagrożeniem i zaczynają obowiązywać nowe wytyczne dotyczące przechowywania i przetwarzania danych, takie jak ISO 27001. Podatności i regulacje zwiększają złożoność wdrożenia połączonego systemu.
