Cet article vise à résumer les principaux avantages de la santé des machines telle qu'elle est aujourd'hui et à discuter de son potentiel futur. Cela se fait en expliquant les utilisations de l'analyse des vibrations avant l'Internet industriel des objets (IIoT), ses capacités actuelles et les réflexions sur les capacités futures.
Utilisations traditionnelles des vibrations
La surveillance des vibrations des équipements rotatifs est utilisée dans l'industrie de la maintenance et de la fiabilité depuis les années 60. Dans l'industrie manufacturière, il existe deux approches principales pour collecter ces données.
- Tendance continue des valeurs moyennes de vibration (RMS / Peak to Peak)
- Collecte de données basées sur les itinéraires à un taux d'échantillonnage élevé
La tendance continue des vibrations moyennes mesure simplement la quantité de vibrations d'un actif. Cela se fait généralement via un PLC ou un DCS, où les niveaux de vibrations sont reçus en continu à la fréquence de balayage du PLC ou du DCS. La fonction principale de ces systèmes est d'effectuer une action lorsque les niveaux de vibrations atteignent le seuil programmé. Cette approche est utile pour identifier les événements transitoires, les défauts qui se développent rapidement ou les défauts inaperçus qui ont mûri au fil du temps avec l'idée de réparer ou de remplacer l'actif avant qu'une panne ne se produise.
La collecte de données par itinéraire est effectuée en collectant un échantillon de vibrations selon un calendrier défini à l'aide d'un dispositif d'acquisition de données portable à un taux d'échantillonnage élevé. Cela permet de fournir un aperçu détaillé de la façon dont les composants d'un actif vibrent à différentes fréquences. Cette approche est utilisée pour identifier des défauts spécifiques suffisamment tôt pour les corriger avant que des dommages irréparables ne se produisent et pour suivre les défauts afin d'estimer le moment où la panne se produira.
Ces deux approches peuvent être combinées avec un système installé en permanence qui échantillonne en continu à un taux d’échantillonnage élevé. Ces systèmes sont rares dans l’industrie manufacturière en raison du coût élevé de leur installation et de leur maintenance. Ils n’étaient donc pas considérés comme l’approche principale pour la surveillance des vibrations dans l’industrie manufacturière.
Le tableau ci-dessous met en évidence les aspects importants de ces systèmes.
Il n'y a guère de débat sur l'efficacité de ces méthodes pour augmenter la fiabilité des actifs lorsqu'elles sont correctement mises en œuvre. Le débat porte généralement sur la justification du coût de mise en œuvre de ces méthodes pour un budget de fabrication typique. Cela se traduit généralement par un programme de vibration inefficace et difficile à atteindre en termes de retour sur investissement pour les raisons suivantes :
- Un programme de vibration économique qui continue à entraîner des coûts d'arrêt dus aux pannes manquées
- Un programme de vibration économique qui entraîne des coûts de réparation et de remplacement excessifs en raison de travaux inutiles.
- Un programme de vibration coûteux, trop coûteux étant donné les fluctuations de la demande sur le site
- Un programme de vibration coûteux qui semble inutile en raison d'un manque de développement des défauts par rapport aux causes profondes
L'ère actuelle de l'IoT
L’amélioration de la technologie des capteurs et de l’IA a donné naissance à une nouvelle catégorie inventée par Augury, appelée Machine Health. Cette approche a donné naissance à une méthode de maintenance prédictive simplifiée, abordable et précise. Elle a également marqué le début de la fusion des deux méthodes évoquées ci-dessus, offrant à la fois les avantages d’une surveillance continue des vibrations et d’une collecte de données basée sur les itinéraires à un taux d’échantillonnage élevé.
Il est important de comprendre les principes de base de son fonctionnement pour pouvoir identifier les raisons pour lesquelles cela a créé un moyen abordable et simplifié de réaliser un programme de vibrations durable.
- Des capteurs sans fil alimentés par batterie sont installés sur tous les roulements du moteur et sur les composants entraînés par le moteur.
- Les capteurs sont synchronisés pour collecter des données simultanément.
- L'échantillon est collecté à un taux d'échantillonnage élevé avec une cadence définie.
- Flux magnétique - Obtient la signature électrique du moteur
- Vibration triaxiale - Obtient les signatures de vibration mécanique des composants
- Température - Obtient les températures des composants
- L'échantillon est envoyé vers le cloud pour analyse
- Les caractéristiques moyennes sont calculées à partir des données d'échantillon et analysées pour rechercher des anomalies dans les données de tendance. Il existe des centaines de ces caractéristiques. Voici quelques exemples :
- Valeurs RMS moyennes
- Valeurs de crête à crête
- Valeurs d'enveloppe
- Températures des composants par rapport à la température ambiante
- Fonctionnalités de forçage au niveau des composants spécifiques
- La FFT est effectuée à la fois sur les données de flux magnétique et sur les données de vibration pour analyser la signature spécifique de chaque composant afin de la comparer aux signatures de défaut connues. Voici quelques exemples :
- Usure des roulements
- Relâchement mécanique
- Déséquilibre
- Mauvais alignement
- Défauts électriques
- L'IA analyse les données décrites ci-dessus et sollicite les commentaires des analystes de vibrations si nécessaire.
- Une alerte est envoyée sur le site avec des détails sur le défaut identifié, des preuves à l'appui du défaut, son emplacement et la manière de le réparer.
Cette solution s’est avérée efficace dans l’ensemble du secteur en raison du gain de précision, de la réduction des coûts de mise en œuvre et de l’extension de la couverture des actifs.
Le gain de précision provient de données plus fréquentes, de plus de types de données et de la capacité de l'IA à analyser ces données en continu. Des données plus fréquentes réduisent le risque de manquer des défauts entre les intervalles d'échantillonnage et permettent également de mieux comprendre les conditions de fonctionnement. Les types de données supplémentaires, comme le flux magnétique, permettent également d'obtenir des informations plus précises sur la vitesse et la charge du moteur afin de les corréler avec les données de vibration. Le crowdsourcing de ces données permet de mieux comprendre à quoi devrait ressembler la référence pour un type d'actif donné. Tout cela, combiné à l'analyse continue des données par l'IA, permet d'obtenir des niveaux de précision proches de 100 %.
La réduction des coûts est obtenue à partir de trois aspects principaux. Les capteurs sans fil alimentés par batterie réduisent au minimum l'infrastructure électrique nécessaire pour collecter les données, ce qui réduit considérablement les coûts d'installation. Les capteurs montés en permanence éliminent le besoin de ressources pour collecter les données manuellement. La capacité de l'IA à analyser efficacement les données minimise les ressources nécessaires pour analyser les données à la recherche de défauts. Ce dernier point souligne l'importance de l'efficacité de l'IA.
Tous les points mentionnés ci-dessus permettent également une sélection plus large de types d'actifs, qui bénéficieront de la valeur de Machine Health. Cela ouvre la porte à la surveillance d'actifs qui ont généralement été difficiles à réaliser. Parmi les exemples, citons les actifs avec des vitesses ou des charges variables, les servomoteurs et les actifs avec des régimes plus lents.
Nous avons atteint un point où la précision de la surveillance des actifs à vitesse de rotation élevée est devenue si précise qu'il est désormais possible de garantir qu'une défaillance liée aux pratiques de maintenance ne se produira pas. Cela peut avoir un impact considérable sur les stocks de pièces de rechange et remodeler les stratégies de maintenance de ces actifs, ce qui permet de réduire à long terme les budgets de maintenance et de fiabilité.
L'avenir
L'avenir de Machine Health s'annonce prometteur, car les entreprises continuent de voir la valeur de cette technologie et d'investir dans celle-ci. Les principaux domaines d'avancement seront axés sur :
- Amélioration de la précision des actifs rotatifs difficiles à surveiller
- Combler l’écart entre la santé des machines et un système véritablement continu
- Élargissement de la gamme des types d’actifs pour lesquels la surveillance montre de la valeur
L’amélioration de la précision des actifs rotatifs difficiles à surveiller passera probablement par l’utilisation de capteurs/types de données supplémentaires et d’une meilleure gestion de la puissance des capteurs pour échantillonner les données de manière stratégique. Un bon exemple serait de combiner des données ultrasoniques et d’accélération qui échantillonnent pendant des périodes plus longues pour détecter les défauts des actifs rotatifs à faible vitesse. L’évolution continue de la précision de l’IA jouera également un rôle important ici.
La combinaison de ces données accrues avec le traitement de pointe au niveau du capteur ou de la passerelle peut entraîner une latence plus faible autour des détections de défauts ainsi qu'une communication locale pour prendre des mesures rapides. Un exemple de cela serait d'utiliser la pression d'aspiration et la signature vibratoire d'une pompe pour identifier rapidement la cavitation localement et alerter rapidement l'équipe locale pour qu'elle prenne des mesures.
À mesure que l'état des machines continue d'évoluer, des leaders clairs dans chaque catégorie d'actifs spécifique commencent à émerger et présentent de véritables cas de valeur dans un large éventail de types d'actifs et de solutions aux problèmes de maintenance largement connus. Les partenariats entre ces organisations ou les solutions d'interopérabilité pour les différentes plateformes permettront de voir toutes les informations sur l'état des machines pour tous les types d'actifs et toutes les solutions en un seul endroit.
Nous approchons du jour où un utilisateur pourra se connecter à une plateforme pour voir les données de vibration, les données d’infrastructure électrique, les données de parcours de lubrification, les données d’analyse d’huile et les données de processus, le tout en un seul endroit, avec l’IA les analysant en permanence pour détecter les défauts.
Articles connexes:L'avenir de la maintenance prescriptive
