מאמר זה נועד לסכם את היתרונות העיקריים של בריאות המכונה כפי שהיא כיום ולדון בפוטנציאל העתידי שלה. זה נעשה על ידי הסבר השימושים בניתוח רטט לפני האינטרנט התעשייתי של הדברים (IIoT), היכולות הנוכחיות שלו ומחשבות על יכולות עתידיות.
שימושי רטט מסורתיים
ניטור רעידות של ציוד מסתובב נמצא בשימוש בתעשיית התחזוקה והאמינות מאז שנות ה-60. בתעשיית הייצור, היו שתי גישות עיקריות כיצד לאסוף נתונים אלה.
- מגמה מתמשכת של ערכי רטט ממוצעים (RMS / שיא לשיא)
- איסוף נתונים מבוסס מסלול בקצב דגימה גבוה
מגמה מתמשכת של רטט ממוצע פשוט מודד כמה נכס רוטט. זה נעשה בדרך כלל באמצעות PLC או DCS, כאשר רמות הרטט מתקבלות ברציפות בקצב זמן הסריקה של PLC או DCS. התפקיד העיקרי של מערכות אלו הוא לבצע פעולה כאשר רמות הרטט מגיעות לסף המתוכנת. גישה זו מועילה בזיהוי אירועים חולפים, תקלות המתפתחות במהירות, או תקלות שלא הבחינו שהבשילו עם הזמן עם הרעיון של תיקון או החלפה של הנכס לפני תקלה.
איסוף נתונים מבוסס מסלול מתבצע על ידי איסוף דגימת רטט בלוח זמנים מוגדר עם מכשיר נייד לאיסוף נתונים בקצב דגימה גבוה. זה משמש כדי לספק תמונת מצב מפורטת של האופן שבו רכיבי הנכס רוטטים בתדרים שונים. גישה זו משמשת כדי לזהות תקלות ספציפיות מוקדם מספיק כדי לתקן את התקלות לפני שהתרחש נזק בלתי הפיך וכדי לעקוב אחר התקלות כדי להעריך מתי הכשל יתרחש.
ניתן לשלב את שתי הגישות הללו עם מערכת המותקנת באופן קבוע הדוגמת באופן רציף בקצב דגימה גבוה. מערכות אלו נדירות בתעשיית הייצור בשל העלות הגבוהה להתקנה ולתחזוקה, ולכן הן לא נחשבו לגישה העיקרית לניטור רעידות בתעשיית הייצור.
הטבלה שלהלן מדגישה את ההיבטים החשובים של מערכות אלו.
יש מעט מה להתווכח על היעילות של שיטות אלה להגברת אמינות הנכסים כשהם מיושמים כהלכה. הוויכוח הוא בדרך כלל סביב הצדקת העלות ליישום שיטות אלה עבור תקציב ייצור טיפוסי כראוי. זה בדרך כלל מביא לתוכנית רטט שאינה יעילה וקשה לעמוד בהחזר ה-ROI בגלל הסיבות שלהלן:
- תוכנית רטט ידידותית לתקציב שממשיכה לגבות עלויות זמן השבתה כתוצאה מתקלות שהוחמצו
- תוכנית רעידות תקציבית שיש לה עלויות תיקון והחלפה מופרזות מביצוע עבודה מיותרת.
- תוכנית רטט יקרה שהיא יקרה מדי מכיוון שהביקוש לאתר משתנה
- תוכנית רעידות יקרה שנראית מיותרת בגלל חוסר בפיתוח תקלות מטיפול בגורמים השורשיים
עידן ה-IoT הנוכחי
השיפור בטכנולוגיית החיישנים ובינה מלאכותית הביאו קטגוריה חדשה שטבעה Augury בשם Machine Health. זה יצר שיטת תחזוקה חיזוי פשוטה, משתלמת ומדויקת. זה גם התחיל את המיזוג של שתי השיטות שנדונו לעיל, וכתוצאה מכך היתרונות של ניטור רטט מתמשך וגם של איסוף נתונים מבוסס מסלול בקצב דגימה גבוה.
חשוב להבין את היסודות סביב איך זה עובד כדי להיות מסוגל לזהות את הסיבות לכך שיצר דרך נוחה ומפושטת להשיג תוכנית רטט בת קיימא.
- חיישנים אלחוטיים המופעלים על ידי סוללה מותקנים על כל מיסבי המנוע והרכיבים שהמנוע מניע.
- חיישנים מסונכרנים לאיסוף נתונים בו זמנית.
- המדגם נאסף בקצב דגימה גבוה עם קצב מוגדר.
- שטף מגנטי - מקבל את החתימה החשמלית של המנוע
- רטט תלת-צירי - מקבל את חתימות הרטט המכאניות של הרכיבים
- טמפרטורה - מקבל את הטמפרטורות של הרכיבים
- הדגימה נשלחת לענן לניתוח
- מאפיינים ממוצעים מחושבים מנתוני המדגם ומגמתים לחפש חריגות בנתוני המגמה. מאות מהתכונות הללו קיימות. להלן כמה דוגמאות:
- ערכי RMS ממוצעים
- ערכי פסגה לשיא
- ערכי מעטפה
- טמפרטורות רכיב מול טמפרטורת סביבה
- תכונות אילוץ ספציפיות ברמת הרכיב
- FFT מבוצע הן על נתוני השטף המגנטי והן על נתוני הרטט כדי לנתח את החתימה הספציפית של כל רכיב כדי להשוות עם חתימות תקלות ידועות. להלן כמה דוגמאות:
- ללבוש מיסבים
- רפיון מכאני
- חוֹסֶר אִזוּן
- יישור שגוי
- תקלות חשמל
- בינה מלאכותית מנתחת את הנתונים שתוארו לעיל ומבקשת משוב מאתניחי רטט במידת הצורך.
- התראה נשלחת לאתר עם פרטים על התקלה שזוהתה, ראיות תומכות לתקלה, היכן היא ממוקמת וכיצד לתקן אותה.
זה הוכיח את עצמו כמוצלח בכל התעשייה בשל הרווח בדיוק, עלויות נמוכות יותר ליישום והרחבות בכיסוי הנכסים.
הרווח בדיוק נובע מנתונים תכופים יותר, יותר סוגי נתונים, ומהיכולת של ה-AI לנתח נתונים אלה באופן רציף. נתונים תכופים יותר מפחיתים את הסיכון להחמצת תקלות בין מרווחי הדגימה ומאפשרים גם הבנה טובה יותר של תנאי הריצה. סוגי הנתונים הנוספים, כמו שטף מגנטי, מאפשרים גם פרטים נוספים על המהירות והעומס של המנוע כדי לתאם זאת עם נתוני הרטט. מיקור המונים של נתונים אלה מביא להבנה טובה יותר של איך אמור להיראות המדד עבור סוג נכס נתון. כל זה, בשילוב עם AI המנתח את הנתונים באופן רציף, מביא לרמות דיוק המתקרבות ל-100%.
הפחתת העלויות מושגת משלושה היבטים עיקריים. חיישני הסוללה האלחוטיים מצמצמים את התשתית החשמלית הדרושה לאיסוף הנתונים למינימום, מה שמפחית מאוד את עלויות ההתקנה. החיישנים המורכבים באופן קבוע מבטלים את הצורך במשאבים לאיסוף הנתונים באופן ידני. היכולת של AI לנתח את הנתונים ביעילות ממזערת את המשאבים הנדרשים לניתוח הנתונים בחיפוש אחר תקלות. נקודה אחרונה זו מדגישה את החשיבות של יעילות בינה מלאכותית.
כל הנקודות שהוזכרו לעיל מאפשרות גם מבחר רחב יותר של סוגי נכסים, שיראו ערך מ-Machine Health. זה פותח את הדלת לניטור נכסים שבדרך כלל היה קשה לבצע. כמה דוגמאות לכך הן נכסים עם מהירויות או עומסים משתנים, מנועי סרוו ונכסים עם סל"ד איטי יותר.
הגענו לנקודה שבה הדיוק של ניטור נכסים עם מהירויות סיבוב גבוהות הפך כל כך מדויק שניתן להבטיח שלא יתרחש כשל הקשור לנוהלי תחזוקה. זה יכול להשפיע רבות על מלאי חלקי החילוף ולעצב מחדש את אסטרטגיות התחזוקה של נכסים אלה, המספקים הפחתה ארוכת טווח בתקציבי התחזוקה והאמינות.
העתיד
העתיד של Machine Health הוא מזהיר מכיוון שחברות ממשיכות לראות ערך ולהשקיע בטכנולוגיה זו. תחומי הקידום העיקריים יתמקדו ב:
- הגברת הדיוק של נכסים מסתובבים שקשה לפקח עליהם
- סגירת הפער בין בריאות המכונה למערכת רציפה באמת
- הרחבת מגוון סוגי הנכסים שבהם הניטור מראה ערך
דיוק מוגבר עבור נכסים מסתובבים קשים לניטור יגיע ככל הנראה באמצעות חיישנים/סוגי נתונים נוספים וניהול צריכת חשמל טוב יותר בחיישנים כדי לדגום נתונים אסטרטגית. דוגמה טובה לכך תהיה שילוב של נתוני קולי ותאוצה שדוגמים לתקופות ארוכות יותר כדי לזהות תקלות בנכסים מסתובבים במהירות נמוכה. ההתפתחות המתמשכת של דיוק AI תשחק כאן גם תפקיד חשוב.
שילוב של נתונים מוגברים אלה עם עיבוד קצה ברמת החיישן או השער יכול לגרום להשהייה נמוכה יותר סביב זיהוי תקלות יחד עם תקשורת מקומית לנקיטת פעולה מהירה. דוגמה לכך תהיה שימוש בחתימת לחץ ורטט של משאבות כדי לזהות במהירות את הקוויטציה המקומית ולהתריע במהירות לצוות המקומי לנקוט בפעולה.
כשבריאות המכונה ממשיכה להתפתח, מנהיגים ברורים בכל קטגוריית נכסים ספציפיים מתחילים להופיע ולהראות מקרים של ערך אמיתי על פני מגוון רחב של סוגי נכסים ופתרונות לנקודות בעיית תחזוקה ידועות. שותפויות בין ארגונים אלו או פתרונות יכולת פעולה הדדית עבור הפלטפורמות השונות יאפשרו לראות את כל מידע בריאות המכונה עבור כל סוגי הנכסים והפתרונות במקום אחד.
אנו מתקרבים ליום שבו משתמש יכול להיכנס לפלטפורמה אחת כדי לראות נתוני רטט, נתוני תשתית חשמלית, נתוני מסלולי סיכה, נתוני ניתוח שמן ונתוני תהליכים, הכל במקום אחד, כאשר AI מנתח אותם ללא הרף לאיתור תקלות.
מאמרים קשורים: העתיד של תחזוקה מרשם
