Dieser Artikel soll die wichtigsten Vorteile der Maschinengesundheit in ihrer heutigen Form zusammenfassen und ihr zukünftiges Potenzial diskutieren. Dies geschieht, indem die Verwendung der Schwingungsanalyse vor dem industriellen Internet der Dinge (IIoT), ihre aktuellen Funktionen und Überlegungen zu zukünftigen Funktionen erläutert werden.
Traditionelle Vibrationsanwendungen
Die Schwingungsüberwachung rotierender Geräte wird seit den 60er Jahren in der Wartungs- und Zuverlässigkeitsbranche eingesetzt. In der Fertigungsindustrie gab es zwei Hauptansätze zum Sammeln dieser Daten.
- Kontinuierliche Trenddarstellung der durchschnittlichen Vibrationswerte (RMS / Peak to Peak)
- Routenbasierte Datenerfassung mit hoher Abtastrate
Die kontinuierliche Trendanalyse der durchschnittlichen Vibration misst einfach, wie stark ein Objekt vibriert. Dies geschieht normalerweise über eine SPS oder ein DCS, bei dem die Vibrationspegel kontinuierlich im Scan-Zeitintervall der SPS oder des DCS empfangen werden. Die Hauptfunktion dieser Systeme besteht darin, eine Aktion auszuführen, wenn die Vibrationspegel den programmierten Schwellenwert erreichen. Dieser Ansatz ist hilfreich bei der Identifizierung vorübergehender Ereignisse, sich schnell entwickelnder Fehler oder unbemerkter Fehler, die sich im Laufe der Zeit entwickelt haben, mit dem Ziel, das Objekt zu reparieren oder zu ersetzen, bevor es zu einem Ausfall kommt.
Bei der routenbasierten Datenerfassung wird nach einem festgelegten Zeitplan mit einem tragbaren Datenerfassungsgerät mit hoher Abtastrate eine Schwingungsprobe erfasst. Dies wird verwendet, um eine detaillierte Momentaufnahme davon zu erhalten, wie die Komponenten eines Vermögenswerts bei verschiedenen Frequenzen vibrieren. Mit diesem Ansatz werden bestimmte Fehler früh genug erkannt, um sie zu beheben, bevor irreparable Schäden auftreten, und um die Fehler zu verfolgen und abzuschätzen, wann der Fehler auftreten wird.
Diese beiden Ansätze können mit einem fest installierten System kombiniert werden, das kontinuierlich mit einer hohen Abtastrate Proben nimmt. Diese Systeme sind in der Fertigungsindustrie aufgrund der hohen Installations- und Wartungskosten selten anzutreffen und wurden daher nicht als Hauptansatz für die Schwingungsüberwachung in der Fertigungsindustrie angesehen.
In der folgenden Tabelle werden die wichtigen Aspekte dieser Systeme hervorgehoben.
Es gibt wenig Anlass zur Diskussion über die Wirksamkeit dieser Methoden zur Steigerung der Anlagenzuverlässigkeit, wenn sie richtig umgesetzt werden. Die Debatte dreht sich in der Regel darum, die Kosten für die ordnungsgemäße Umsetzung dieser Methoden für ein typisches Fertigungsbudget zu rechtfertigen. Dies führt in der Regel zu einem Vibrationsprogramm, das ineffektiv ist und aus den folgenden Gründen nur schwer einen ROI erreicht:
- Ein kostengünstiges Vibrationsprogramm, das weiterhin Ausfallkosten durch übersehene Ausfälle verursacht
- Ein budgetschonendes Vibrationsprogramm, bei dem unnötige Reparatur- und Austauschkosten vermieden werden.
- Ein kostspieliges Vibrationsprogramm, das bei schwankender Nachfrage vor Ort zu teuer ist
- Ein kostspieliges Vibrationsprogramm, das aufgrund mangelnder Fehlerentwicklung durch Behebung der Grundursachen unnötig erscheint
Das aktuelle IoT-Zeitalter
Die Verbesserung der Sensortechnologie und der KI führte zu einer neuen Kategorie, die Augury mit dem Namen „Machine Health“ prägte. Dadurch entstand eine vereinfachte, kostengünstige und genaue Methode zur vorausschauenden Wartung. Außerdem begann die Verschmelzung der beiden oben beschriebenen Methoden, wodurch sowohl die Vorteile einer kontinuierlichen Schwingungsüberwachung als auch einer routenbasierten Datenerfassung mit hoher Abtastrate erzielt wurden.
Es ist wichtig, die Grundlagen der Funktionsweise zu verstehen, um erkennen zu können, warum hierdurch eine kostengünstige und vereinfachte Möglichkeit zur Umsetzung eines nachhaltigen Vibrationsprogramms geschaffen wurde.
- An allen Motorlagern und den vom Motor angetriebenen Komponenten sind drahtlose, batteriebetriebene Sensoren installiert.
- Sensoren werden synchronisiert, um gleichzeitig Daten zu erfassen.
- Die Probe wird mit einer hohen Probenahmerate und einer definierten Kadenz gesammelt.
- Magnetischer Fluss - Erhält die elektrische Signatur des Motors
- Dreiachsige Schwingung - Ruft die mechanischen Schwingungssignaturen der Komponenten ab
- Temperatur - Ruft die Komponententemperaturen ab
- Die Probe wird zur Analyse in die Cloud gesendet
- Aus den Stichprobendaten werden Durchschnittswerte berechnet und Trends ermittelt, um in den Trenddaten nach Anomalien zu suchen. Es gibt Hunderte solcher Werte. Nachfolgend einige Beispiele:
- Durchschnittliche RMS-Werte
- Spitze-Spitze-Werte
- Hüllkurvenwerte
- Komponententemperaturen im Vergleich zur Umgebungstemperatur
- Spezifische Funktionen zum Erzwingen auf Komponentenebene
- Die FFT wird sowohl für die Magnetflussdaten als auch für die Schwingungsdaten durchgeführt, um die spezifische Signatur jeder Komponente zu analysieren und mit bekannten Fehlersignaturen zu vergleichen. Nachfolgend einige Beispiele:
- Lagerverschleiß
- Mechanische Lockerheit
- Ungleichgewicht
- Fehlausrichtung
- Elektrische Fehler
- Die KI analysiert die oben beschriebenen Daten und fordert bei Bedarf Feedback von Vibrationsanalysten an.
- Es wird eine Warnmeldung mit Einzelheiten zum festgestellten Fehler, unterstützenden Beweisen für den Fehler, seinem Standort und der Anleitung zu seiner Behebung an die Site gesendet.
Dies hat sich branchenweit als erfolgreich erwiesen, da die Genauigkeit zunimmt, die Implementierungskosten sinken und die Anlagenabdeckung erweitert wird.
Die höhere Genauigkeit ergibt sich aus häufigeren Daten, mehr Datentypen und der Fähigkeit der KI, diese Daten kontinuierlich zu analysieren. Häufigere Daten verringern das Risiko, Fehler zwischen den Abtastintervallen zu übersehen, und ermöglichen zudem ein besseres Verständnis der Betriebsbedingungen. Die zusätzlichen Datentypen, wie etwa der magnetische Fluss, ermöglichen zudem genauere Angaben zur Drehzahl und Belastung des Motors, um diese mit den Vibrationsdaten zu korrelieren. Durch Crowdsourcing dieser Daten erhält man ein viel besseres Verständnis davon, wie der Benchmark für einen bestimmten Anlagentyp aussehen sollte. All dies, kombiniert mit der kontinuierlichen Datenanalyse durch die KI, führt zu Genauigkeitsstufen von nahezu 100 %.
Die Kostensenkung wird durch drei Hauptaspekte erreicht. Die batteriebetriebenen drahtlosen Sensoren reduzieren die zur Datenerfassung erforderliche elektrische Infrastruktur auf ein Minimum, was die Installationskosten erheblich senkt. Die fest montierten Sensoren machen Ressourcen zur manuellen Datenerfassung überflüssig. Die Fähigkeit der KI, die Daten effektiv zu analysieren, minimiert die zur Fehlersuche erforderlichen Ressourcen zur Analyse der Daten. Dieser letzte Punkt unterstreicht die Bedeutung der KI-Effektivität.
Alle oben genannten Punkte ermöglichen auch eine größere Auswahl an Anlagentypen, für die Machine Health von Nutzen ist. Dies ermöglicht die Überwachung von Anlagen, die bisher schwierig war. Einige Beispiele hierfür sind Anlagen mit unterschiedlichen Geschwindigkeiten oder Lasten, Servomotoren und Anlagen mit niedrigeren Drehzahlen.
Wir haben einen Punkt erreicht, an dem die Überwachungsgenauigkeit von Anlagen mit hohen Drehzahlen so hoch geworden ist, dass garantiert werden kann, dass es nicht zu wartungsbedingten Ausfällen kommt. Dies kann sich erheblich auf den Ersatzteilbestand auswirken und die Wartungsstrategien für diese Anlagen neu gestalten, was zu langfristigen Einsparungen bei den Wartungs- und Zuverlässigkeitsbudgets führt.
Die Zukunft
Die Zukunft von Machine Health ist vielversprechend, da Unternehmen weiterhin den Wert dieser Technologie erkennen und in sie investieren. Die wichtigsten Bereiche der Weiterentwicklung werden sich auf folgende konzentrieren:
- Höhere Genauigkeit bei schwer zu überwachenden rotierenden Anlagen
- Die Lücke zwischen Maschinenzustand und einem wirklich kontinuierlichen System schließen
- Erweiterung des Spektrums an Anlagearten, bei denen sich eine Überwachung als wertvoll erweist
Eine höhere Genauigkeit bei schwer zu überwachenden rotierenden Anlagen wird wahrscheinlich durch den Einsatz zusätzlicher Sensoren/Datentypen und eines besseren Sensor-Energiemanagements zur strategischen Datenerfassung erreicht. Ein gutes Beispiel hierfür wäre die Kombination von Ultraschall- und Beschleunigungsdaten, die über längere Zeiträume erfasst werden, um Fehler bei rotierenden Anlagen mit niedriger Geschwindigkeit zu erkennen. Auch die kontinuierliche Weiterentwicklung der KI-Genauigkeit wird hier eine wichtige Rolle spielen.
Die Kombination dieser erhöhten Datenmenge mit Edge-Verarbeitung entweder auf Sensor- oder Gateway-Ebene kann zu geringeren Latenzen bei der Fehlererkennung sowie zu lokaler Kommunikation führen, um schnell reagieren zu können. Ein Beispiel hierfür wäre die Verwendung des Saugdrucks und der Vibrationssignatur einer Pumpe, um Kavitation schnell lokal zu identifizieren und das lokale Team schnell zu alarmieren, damit es Maßnahmen ergreifen kann.
Da sich der Zustand von Maschinen ständig weiterentwickelt, kristallisieren sich in jeder spezifischen Anlagenkategorie klare Marktführer heraus, die für eine breite Palette von Anlagentypen und Lösungen für bekannte Wartungsproblembereiche echte Mehrwerte bieten. Partnerschaften zwischen diesen Organisationen oder Interoperabilitätslösungen für die verschiedenen Plattformen ermöglichen es, alle Informationen zum Maschinenzustand für alle Anlagentypen und Lösungen an einem Ort anzuzeigen.
Wir nähern uns dem Tag, an dem sich ein Benutzer bei einer Plattform anmelden kann, um Schwingungsdaten, Daten zur elektrischen Infrastruktur, Daten zu Schmierrouten, Ölanalysedaten und Prozessdaten an einem Ort anzuzeigen, wobei die KI sie kontinuierlich auf Fehler analysiert.
Verwandte Artikel:Die Zukunft der präskriptiven Wartung
