Questo articolo si propone di riassumere i principali vantaggi della salute delle macchine così come sono oggi e di discutere il loro potenziale futuro. Ciò viene fatto spiegando gli usi dell'analisi delle vibrazioni prima dell'Industrial Internet of Things (IIoT), le sue capacità attuali e le riflessioni sulle capacità future.
Usi tradizionali delle vibrazioni
Il monitoraggio delle vibrazioni delle apparecchiature rotanti è stato utilizzato nel settore della manutenzione e dell'affidabilità fin dagli anni '60. Nel settore manifatturiero, ci sono stati due approcci principali su come raccogliere questi dati.
- Andamento continuo dei valori medi delle vibrazioni (RMS / Picco a Picco)
- Raccolta dati basata sul percorso ad alta frequenza di campionamento
Il trend continuo della vibrazione media misura semplicemente quanto vibra un asset. Ciò avviene in genere tramite un PLC o DCS, in cui i livelli di vibrazione vengono ricevuti in modo continuo alla velocità di scansione del PLC o del DCS. La funzione principale di questi sistemi è eseguire un'azione quando i livelli di vibrazione raggiungono la soglia programmata. Questo approccio è utile per identificare eventi transitori, guasti in rapido sviluppo o guasti inosservati che sono maturati nel tempo con l'idea di riparare o sostituire l'asset prima che si verifichi il guasto.
La raccolta dati basata sul percorso viene eseguita raccogliendo un campione di vibrazione secondo una pianificazione definita con un dispositivo di acquisizione dati portatile a un'elevata frequenza di campionamento. Ciò viene utilizzato per fornire un'istantanea dettagliata di come i componenti di un asset vibrano a varie frequenze. Questo approccio viene utilizzato per identificare guasti specifici abbastanza presto da correggerli prima che si verifichino danni irreparabili e per tracciare i guasti per stimare quando si verificherà il guasto.
Questi due approcci possono essere combinati con un sistema installato in modo permanente che esegue il campionamento in modo continuo a un'elevata frequenza di campionamento. Questi sistemi sono rari nell'industria manifatturiera a causa degli elevati costi di installazione e mantenimento, quindi non sono stati considerati l'approccio principale per il monitoraggio delle vibrazioni nell'industria manifatturiera.
La tabella seguente evidenzia gli aspetti importanti di questi sistemi.
C'è poco da discutere sull'efficacia di questi metodi per aumentare l'affidabilità degli asset quando implementati correttamente. Il dibattito verte in genere sulla giustificazione del costo per implementare correttamente questi metodi per un tipico budget di produzione. Ciò di solito si traduce in un programma di vibrazione inefficace e difficile da raggiungere con il ROI per i motivi di seguito indicati:
- Un programma di vibrazione conveniente che continua ad avere costi di inattività dovuti a guasti mancati
- Un programma di vibrazione conveniente che comporta costi di riparazione e sostituzione eccessivi dovuti all'esecuzione di lavori non necessari.
- Un programma di vibrazione costoso che è troppo costoso poiché la domanda del sito fluttua
- Un costoso programma di vibrazione che sembra essere inutile a causa della mancanza di sviluppo di guasti nell'affrontare le cause profonde
L'attuale era dell'IoT
Il miglioramento della tecnologia dei sensori e dell'intelligenza artificiale ha portato con sé una nuova categoria coniata da Augury chiamata Machine Health. Ciò ha creato un metodo di manutenzione predittiva semplificato, conveniente e accurato. Ha anche avviato la fusione dei due metodi discussi sopra, con conseguenti vantaggi sia del monitoraggio continuo delle vibrazioni sia della raccolta dati basata sul percorso a un'elevata frequenza di campionamento.
È importante comprendere le basi di come funziona per essere in grado di identificare i motivi per cui ha creato un modo conveniente e semplificato per ottenere un programma di vibrazione sostenibile.
- Sensori wireless alimentati a batteria sono installati su tutti i cuscinetti del motore e sui componenti azionati dal motore.
- I sensori sono sincronizzati per raccogliere dati simultaneamente.
- Il campione viene raccolto ad un'elevata frequenza di campionamento con una cadenza definita.
- Flusso magnetico: rileva la firma elettrica del motore
- Vibrazione triassiale: ottiene le firme delle vibrazioni meccaniche dei componenti
- Temperatura - Ottiene le temperature dei componenti
- Il campione viene inviato al cloud per l'analisi
- Le caratteristiche medie vengono calcolate dai dati campione e sottoposte a trend per cercare anomalie nei dati di trend. Esistono centinaia di queste caratteristiche. Di seguito alcuni esempi:
- Valori RMS medi
- Valori da picco a picco
- Valori della busta
- Temperature dei componenti rispetto alla temperatura ambiente
- Caratteristiche specifiche di forzatura a livello di componente
- La FFT viene eseguita sia sui dati del flusso magnetico che sui dati delle vibrazioni per analizzare la firma specifica di ogni componente da confrontare con le firme di guasto note. Di seguito alcuni esempi:
- Usura dei cuscinetti
- Allentamento meccanico
- Squilibrio
- Disallineamento
- Guasti elettrici
- L'intelligenza artificiale analizza i dati sopra descritti e, ove necessario, richiede il feedback degli analisti delle vibrazioni.
- Viene inviato un avviso al sito con informazioni specifiche sul guasto identificato, prove a supporto del guasto, dove si trova e come risolverlo.
Questa soluzione si è rivelata vincente in tutto il settore grazie alla maggiore accuratezza, ai minori costi di implementazione e all'ampliamento della copertura delle risorse.
Il guadagno in accuratezza deriva da dati più frequenti, più tipi di dati e dalla capacità dell'IA di analizzare continuamente questi dati. Dati più frequenti riducono il rischio di mancare guasti tra gli intervalli di campionamento e consentono anche una migliore comprensione delle condizioni di funzionamento. I tipi di dati aggiuntivi, come il flusso magnetico, consentono anche maggiori dettagli sulla velocità e sul carico del motore per correlarli con i dati sulle vibrazioni. Il crowdsourcing di questi dati si traduce in una comprensione molto migliore di come dovrebbe apparire il benchmark per un dato tipo di asset. Tutto ciò, combinato con l'IA che analizza continuamente i dati, si traduce in livelli di accuratezza prossimi al 100%.
La riduzione dei costi è ottenuta da tre aspetti principali. I sensori wireless alimentati a batteria riducono al minimo l'infrastruttura elettrica necessaria per raccogliere i dati, il che riduce notevolmente i costi di installazione. I sensori montati in modo permanente eliminano la necessità di risorse per raccogliere manualmente i dati. La capacità dell'IA di analizzare i dati in modo efficace riduce al minimo le risorse necessarie per analizzare i dati alla ricerca di guasti. Quest'ultimo punto evidenzia l'importanza dell'efficacia dell'IA.
Tutti i punti sopra menzionati consentono anche una selezione più ampia di tipi di asset, che trarranno valore da Machine Health. Ciò apre la porta al monitoraggio di asset che in genere sono stati difficili da fare. Alcuni esempi di questo sono asset con velocità o carichi variabili, servomotori e asset con RPM più lenti.
Abbiamo raggiunto un punto in cui l'accuratezza del monitoraggio di asset con elevate velocità di rotazione è diventata così accurata che si può garantire che non si verificherà un guasto correlato alle pratiche di manutenzione. Ciò può avere un impatto notevole sull'inventario dei pezzi di ricambio e rimodellare le strategie di manutenzione per questi asset, il che fornisce riduzioni a lungo termine nei budget di manutenzione e affidabilità.
Il futuro
Il futuro di Machine Health è luminoso poiché le aziende continuano a vedere valore e investire in questa tecnologia. Le principali aree di avanzamento saranno focalizzate su:
- Aumento della precisione delle risorse rotanti difficili da monitorare
- Colmare il divario tra la salute della macchina e un sistema veramente continuo
- Ampliare la gamma di tipologie di asset in cui il monitoraggio mostra valore
Una maggiore accuratezza per asset rotanti difficili da monitorare probabilmente arriverà utilizzando sensori/tipi di dati aggiuntivi e una migliore gestione della potenza dei sensori per campionare i dati in modo strategico. Un buon esempio di ciò sarebbe la combinazione di dati ultrasonici e di accelerazione che campionano per periodi più lunghi per rilevare guasti per asset rotanti a bassa velocità. Anche la continua evoluzione dell'accuratezza dell'IA svolgerà un ruolo importante in questo caso.
Combinando questi dati aumentati con l'elaborazione edge a livello di sensore o gateway, è possibile ottenere una latenza inferiore in merito ai rilevamenti di guasti, insieme alla comunicazione locale per intervenire rapidamente. Un esempio di ciò sarebbe l'utilizzo della pressione di aspirazione delle pompe e della firma delle vibrazioni per identificare rapidamente la cavitazione a livello locale e avvisare rapidamente il team locale per intervenire.
Mentre la salute delle macchine continua a evolversi, stanno iniziando a emergere leader chiari in ogni specifica categoria di asset e a mostrare casi di valore reale in un'ampia gamma di tipi di asset e soluzioni per punti critici di manutenzione ampiamente noti. Le partnership tra queste organizzazioni o soluzioni di interoperabilità per le varie piattaforme consentiranno di visualizzare tutte le informazioni sulla salute delle macchine per tutti i tipi di asset e soluzioni in un unico punto.
Ci stiamo avvicinando al giorno in cui un utente potrà accedere a un'unica piattaforma per visualizzare dati sulle vibrazioni, dati sull'infrastruttura elettrica, dati sul percorso di lubrificazione, dati sull'analisi dell'olio e dati di processo, il tutto in un unico posto, con l'intelligenza artificiale che li analizza costantemente per individuare eventuali guasti.
Articoli correlati:Il futuro della manutenzione prescrittiva
