Dit artikel heeft als doel de belangrijkste voordelen van machinegezondheid zoals die er nu uitziet samen te vatten en het toekomstige potentieel ervan te bespreken. Dit wordt gedaan door het gebruik van trillingsanalyse vóór het Industrial Internet of Things (IIoT), de huidige mogelijkheden ervan en gedachten over toekomstige mogelijkheden uit te leggen.
Traditionele trillingstoepassingen
Trillingsbewaking van roterende apparatuur wordt al sinds de jaren 60 gebruikt in de onderhouds- en betrouwbaarheidsindustrie. In de maakindustrie zijn er twee hoofdbenaderingen voor het verzamelen van deze gegevens.
- Continue trending van gemiddelde trillingswaarden (RMS / Peak to Peak)
- Routegebaseerde gegevensverzameling met een hoge bemonsteringssnelheid
Continue trending van gemiddelde trillingen meet eenvoudigweg hoeveel een asset trilt. Dit gebeurt meestal via een PLC of DCS, waarbij trillingsniveaus continu worden ontvangen op de PLC of DCS-scantijdssnelheid. De primaire functie van deze systemen is om een actie uit te voeren wanneer de trillingsniveaus de geprogrammeerde drempel bereiken. Deze aanpak is handig bij het identificeren van tijdelijke gebeurtenissen, snel ontwikkelende storingen of onopgemerkte storingen die in de loop van de tijd zijn ontstaan met het idee om de asset te repareren of te vervangen voordat er een storing optreedt.
Routegebaseerde gegevensverzameling wordt uitgevoerd door een trillingsmonster te verzamelen op een gedefinieerd schema met een draagbaar gegevensverwervingsapparaat met een hoge bemonsteringssnelheid. Dit wordt gebruikt om een gedetailleerde momentopname te maken van hoe de componenten van een asset trillen op verschillende frequenties. Deze aanpak wordt gebruikt om specifieke fouten vroeg genoeg te identificeren om de fouten te corrigeren voordat onherstelbare schade is opgetreden en om de fouten te volgen om te schatten wanneer de storing zal optreden.
Deze twee benaderingen kunnen worden gecombineerd met een permanent geïnstalleerd systeem dat continu monsters neemt met een hoge bemonsteringssnelheid. Deze systemen zijn zeldzaam in de maakindustrie vanwege de hoge installatie- en onderhoudskosten, dus werden ze niet beschouwd als de belangrijkste benadering voor trillingsbewaking in de maakindustrie.
De onderstaande tabel benadrukt de belangrijkste aspecten van deze systemen.
Er is weinig om over te debatteren over de effectiviteit van deze methoden om de betrouwbaarheid van activa te vergroten wanneer ze correct worden geïmplementeerd. Het debat gaat meestal over het rechtvaardigen van de kosten om deze methoden correct te implementeren voor een typisch productiebudget. Dit resulteert meestal in een trillingsprogramma dat ineffectief is en moeilijk te behalen is ROI vanwege de onderstaande redenen:
- Een budgetvriendelijk trillingsprogramma dat nog steeds downtimekosten heeft vanwege gemiste storingen
- Een budgetvriendelijk trillingsprogramma met buitensporige reparatie- en vervangingskosten door het uitvoeren van onnodig werk.
- Een kostbaar trillingsprogramma dat te duur is omdat de vraag op de locatie fluctueert
- Een kostbaar trillingsprogramma dat onnodig lijkt vanwege een gebrek aan foutontwikkeling bij het aanpakken van de grondoorzaken
Het huidige IoT-tijdperk
De verbetering van sensortechnologie en AI bracht een nieuwe categorie met zich mee, bedacht door Augury, genaamd Machine Health. Dit creëerde een vereenvoudigde, betaalbare en nauwkeurige voorspellende onderhoudsmethode. Het begon ook met het samenvoegen van de twee hierboven besproken methoden, wat resulteerde in de voordelen van zowel continue trillingsbewaking als routegebaseerde gegevensverzameling met een hoge bemonsteringssnelheid.
Het is belangrijk om de basisprincipes van hoe dit werkt te begrijpen om de redenen te kunnen identificeren waarom dit een betaalbare en vereenvoudigde manier heeft gecreëerd om een duurzaam trillingsprogramma te bereiken.
- Op alle motorlagers en de componenten die de motor aandrijft, zijn draadloze, op batterijen werkende sensoren geïnstalleerd.
- Sensoren worden gesynchroniseerd om gelijktijdig gegevens te verzamelen.
- Het monster wordt verzameld met een hoge bemonsteringsfrequentie en een vast ritme.
- Magnetische flux - Krijgt de elektrische handtekening van de motor
- Triaxiale trilling - Verkrijgt de mechanische trillingskenmerken van het onderdeel
- Temperatuur - Haalt de componenttemperaturen op
- Het monster wordt naar de cloud gestuurd voor analyse
- Gemiddelde kenmerken worden berekend uit de voorbeeldgegevens en getrend om te zoeken naar anomalieën in de trendgegevens. Er bestaan honderden van deze kenmerken. Hieronder staan enkele voorbeelden:
- Gemiddelde RMS-waarden
- Peak-to-peak-waarden
- Envelope-waarden
- Componenttemperaturen versus omgevingstemperatuur
- Specifieke forceringsfuncties op componentniveau
- FFT wordt uitgevoerd op zowel de magnetische fluxgegevens als de trillingsgegevens om de specifieke signatuur van elk onderdeel te analyseren en te vergelijken met bekende foutsignaturen. Hieronder staan enkele voorbeelden:
- Lagerslijtage
- Mechanische losheid
- Onevenwicht
- Verkeerde uitlijning
- Elektrische storingen
- AI analyseert de hierboven beschreven gegevens en vraagt indien nodig feedback van trillingsanalisten.
- Er wordt een waarschuwing naar de locatie gestuurd met specifieke informatie over het vastgestelde defect, ondersteunend bewijs van het defect, waar het defect zich bevindt en hoe het kan worden verholpen.
Dit blijkt succesvol te zijn in de hele sector vanwege de grotere nauwkeurigheid, lagere implementatiekosten en uitbreidingen in de activadekking.
De winst in nauwkeurigheid komt voort uit frequentere gegevens, meer soorten gegevens en het vermogen van de AI om deze gegevens continu te analyseren. Frequentere gegevens verminderen het risico op het missen van fouten tussen bemonsteringsintervallen en zorgen ook voor een beter begrip van de bedrijfsomstandigheden. De extra gegevenstypen, zoals magnetische flux, zorgen ook voor meer specifieke informatie over de snelheid en belasting van de motor om deze te correleren met de trillingsgegevens. Crowdsourcing van deze gegevens resulteert in een veel beter begrip van hoe de benchmark eruit zou moeten zien voor een bepaald type activa. Dit alles, gecombineerd met de AI die de gegevens continu analyseert, resulteert in nauwkeurigheidsniveaus die de 100% naderen.
De kostenreductie wordt bereikt vanuit drie hoofdaspecten. De draadloze sensoren op batterijvoeding beperken de elektrische infrastructuur die nodig is om de gegevens te verzamelen tot een minimum, wat de installatiekosten aanzienlijk verlaagt. De permanent gemonteerde sensoren elimineren de behoefte aan middelen om de gegevens handmatig te verzamelen. Het vermogen van AI om de gegevens effectief te analyseren minimaliseert de middelen die nodig zijn om de gegevens te analyseren op zoek naar fouten. Dit laatste punt benadrukt het belang van de effectiviteit van AI.
Alle hierboven genoemde punten maken ook een bredere selectie van activatypen mogelijk, die waarde zullen zien van Machine Health. Dit opent de deur om activa te monitoren die doorgaans moeilijk te doen zijn. Enkele voorbeelden hiervan zijn activa met variërende snelheden of belastingen, servomotoren en activa met lagere RPM's.
We hebben een punt bereikt waarop de nauwkeurigheid van het monitoren van assets met hoge rotatiesnelheden zo nauwkeurig is geworden dat gegarandeerd kan worden dat er geen storing optreedt die verband houdt met onderhoudspraktijken. Dit kan een grote impact hebben op de voorraad reserveonderdelen en de onderhoudsstrategieën voor deze assets hervormen, wat op de lange termijn leidt tot reducties in de onderhouds- en betrouwbaarheidsbudgetten.
De toekomst
De toekomst van Machine Health ziet er rooskleurig uit, aangezien bedrijven waarde blijven zien en blijven investeren in deze technologie. De belangrijkste gebieden van vooruitgang zullen gericht zijn op:
- Verhogen van de nauwkeurigheid van moeilijk te monitoren roterende activa
- Het dichten van de kloof tussen machinegezondheid en een werkelijk continu systeem
- Verbreding van het scala aan activatypen waarbij monitoring de waarde laat zien
Verhoogde nauwkeurigheid voor moeilijk te monitoren roterende activa zal waarschijnlijk komen door het gebruik van extra sensoren/datatypes en beter sensor power management om data strategisch te bemonsteren. Een goed voorbeeld hiervan zou het combineren van ultrasone en acceleratiedata zijn die gedurende langere periodes bemonsteren om fouten te detecteren voor roterende activa met lage snelheid. De continue evolutie van AI-nauwkeurigheid zal hier ook een belangrijke rol spelen.
Door deze toegenomen data te combineren met edge processing op sensor- of gatewayniveau kan de latentie rondom foutdetecties worden verlaagd, samen met lokale communicatie om snel actie te ondernemen. Een voorbeeld hiervan is het gebruik van een pompzuigdruk en trillingssignatuur om cavitatie lokaal snel te identificeren en het lokale team snel te waarschuwen om actie te ondernemen.
Naarmate de gezondheid van machines zich blijft ontwikkelen, beginnen er duidelijke leiders in elke specifieke assetcategorie naar voren te komen en echte waardecases te tonen in een breed scala aan assettypen en oplossingen voor algemeen bekende onderhoudsprobleemgebieden. Partnerschappen tussen deze organisaties of interoperabiliteitsoplossingen voor de verschillende platforms maken het mogelijk om alle informatie over de gezondheid van machines voor alle assettypen en oplossingen op één plek te zien.
We naderen de dag waarop een gebruiker kan inloggen op 1 platform en overal trillingsgegevens, gegevens over de elektrische infrastructuur, gegevens over smeerroutes, gegevens over olie-analyses en procesgegevens kan bekijken, terwijl AI deze gegevens voortdurend analyseert op fouten.
Gerelateerde artikelen:De toekomst van prescriptief onderhoud
