Este artigo tem como objetivo resumir os principais benefícios da saúde da máquina como ela é hoje e discutir seu potencial futuro. Isso é feito explicando os usos da análise de vibração antes da Internet Industrial das Coisas (IIoT), suas capacidades atuais e pensamentos sobre capacidades futuras.
Usos tradicionais de vibração
O monitoramento de vibração de equipamentos rotativos tem sido usado na indústria de manutenção e confiabilidade desde os anos 60. Na indústria de manufatura, houve duas abordagens principais sobre como coletar esses dados.
- Tendência contínua dos valores médios de vibração (RMS / Pico a Pico)
- Coleta de dados baseada em rota com alta taxa de amostragem
A tendência contínua da vibração média simplesmente mede o quanto um ativo está vibrando. Isso é feito tipicamente por meio de um PLC ou DCS, onde os níveis de vibração são recebidos continuamente na taxa de tempo de varredura do PLC ou DCS. A função primária desses sistemas é executar uma ação quando os níveis de vibração atingem o limite programado. Essa abordagem é útil para identificar eventos transitórios, falhas de desenvolvimento rápido ou falhas despercebidas que amadureceram ao longo do tempo com a ideia de reparar ou substituir o ativo antes que a falha ocorra.
A coleta de dados baseada em rota é realizada coletando uma amostra de vibração em um cronograma definido com um dispositivo de aquisição de dados portátil em uma alta taxa de amostragem. Isso é usado para fornecer um instantâneo detalhado de como os componentes de um ativo vibram em várias frequências. Essa abordagem é usada para identificar falhas específicas cedo o suficiente para corrigir as falhas antes que danos irreparáveis ocorram e para rastrear as falhas para estimar quando a falha ocorrerá.
Essas duas abordagens podem ser combinadas com um sistema instalado permanentemente que faz amostragem continuamente a uma alta taxa de amostragem. Esses sistemas são raros na indústria de manufatura devido ao alto custo de instalação e manutenção, então eles não foram considerados a principal abordagem para monitoramento de vibração na indústria de manufatura.
A tabela abaixo destaca os aspectos importantes desses sistemas.
Há pouco a debater sobre a eficácia desses métodos para aumentar a confiabilidade dos ativos quando implementados corretamente. O debate é tipicamente sobre justificar o custo para implementar esses métodos para um orçamento de fabricação típico corretamente. Isso geralmente resulta em um programa de vibração que é ineficaz e difícil de atingir o ROI devido aos motivos abaixo:
- Um programa de vibração econômico que continua a ter custos de tempo de inatividade devido a falhas não detectadas
- Um programa de vibração econômico que tem custos excessivos de reparo e substituição devido à execução de trabalhos desnecessários.
- Um programa de vibração caro que é muito caro, pois a demanda do local flutua
- Um programa de vibração dispendioso que parece ser desnecessário devido à falta de desenvolvimento de falhas ao abordar as causas raiz
A atual era da IoT
A melhoria da tecnologia de sensores e IA trouxe consigo uma nova categoria cunhada por Augury chamada Machine Health. Isso criou um método de manutenção preditiva simplificado, acessível e preciso. Também iniciou a fusão dos dois métodos discutidos acima, resultando nos benefícios do monitoramento contínuo de vibração e da coleta de dados baseada em rota em uma alta taxa de amostragem.
É importante entender os princípios básicos sobre como isso funciona para poder identificar os motivos pelos quais isso criou uma maneira acessível e simplificada de atingir um programa de vibração sustentável.
- Sensores sem fio alimentados por bateria são instalados em todos os rolamentos do motor e nos componentes que o motor está acionando.
- Os sensores são sincronizados para coletar dados simultaneamente.
- A amostra é coletada em uma alta taxa de amostragem com uma cadência definida.
- Fluxo Magnético - Obtém a assinatura elétrica do motor
- Vibração triaxial - Obtém as assinaturas de vibração mecânica dos componentes
- Temperatura - Obtém as temperaturas dos componentes
- A amostra é enviada para a nuvem para análise
- Os recursos médios são calculados a partir dos dados da amostra e tendenciados para procurar anomalias nos dados de tendência. Existem centenas desses recursos. Abaixo estão alguns exemplos:
- Valores médios RMS
- Valores de pico a pico
- Valores de envelope
- Temperaturas dos componentes vs temperatura ambiente
- Recursos de força de nível de componente específico
- A FFT é realizada tanto nos dados de fluxo magnético quanto nos dados de vibração para analisar a assinatura específica de cada componente para comparar com assinaturas de falhas conhecidas. Abaixo estão alguns exemplos:
- Desgaste do rolamento
- Frouxidão mecânica
- Desequilíbrio
- Desalinhamento
- Falhas elétricas
- A IA analisa os dados descritos acima e solicita feedback dos analistas de vibração quando necessário.
- Um alerta é enviado ao local com detalhes sobre a falha identificada, evidências de suporte da falha, onde ela está localizada e como corrigi-la.
Isso provou ser um sucesso em todo o setor devido ao ganho em precisão, menores custos de implementação e expansões na cobertura de ativos.
O ganho em precisão vem de dados mais frequentes, mais tipos de dados e a capacidade da IA de analisar esses dados continuamente. Dados mais frequentes reduzem o risco de falhas ausentes entre intervalos de amostragem e também permitem uma melhor compreensão das condições de execução. Os tipos de dados adicionais, como fluxo magnético, também permitem mais detalhes sobre a velocidade e a carga do motor para correlacionar isso com os dados de vibração. O crowdsourcing desses dados resulta em uma compreensão muito melhor de como o benchmark deve ser para um determinado tipo de ativo. Tudo isso, combinado com a IA analisando continuamente os dados, resulta em níveis de precisão próximos a 100%.
A redução de custos é alcançada a partir de três aspectos principais. Os sensores sem fio alimentados por bateria reduzem a infraestrutura elétrica necessária para coletar os dados ao mínimo, o que reduz muito os custos de instalação. Os sensores montados permanentemente eliminam a necessidade de recursos para coletar os dados manualmente. A capacidade da IA de analisar os dados efetivamente minimiza os recursos necessários para analisar os dados em busca de falhas. Este último ponto destaca a importância da eficácia da IA.
Todos os pontos mencionados acima também permitem uma seleção mais ampla de tipos de ativos, que verão valor do Machine Health. Isso abre a porta para monitorar ativos que normalmente são difíceis de fazer. Alguns exemplos disso são ativos com velocidades ou cargas variadas, servomotores e ativos com RPMs mais lentos.
Chegamos a um ponto em que a precisão do monitoramento de ativos com altas velocidades de rotação se tornou tão precisa que pode ser garantido que uma falha relacionada às práticas de manutenção não ocorrerá. Isso pode impactar muito o estoque de peças de reposição e remodelar as estratégias de manutenção para esses ativos, o que proporciona reduções de longo prazo nos orçamentos de manutenção e confiabilidade.
O futuro
O futuro da Machine Health é brilhante, pois as empresas continuam a ver valor e investir nessa tecnologia. As principais áreas de avanço serão focadas em:
- Aumento da precisão de ativos rotativos difíceis de monitorar
- Fechando a lacuna entre a saúde da máquina e um sistema verdadeiramente contínuo
- Ampliando a gama de tipos de ativos onde o monitoramento mostra valor
A precisão aumentada para ativos rotativos difíceis de monitorar provavelmente virá utilizando sensores/tipos de dados adicionais e melhor gerenciamento de energia do sensor para amostrar dados estrategicamente. Um bom exemplo disso seria combinar dados ultrassônicos e de aceleração que amostram por períodos mais longos para detectar falhas em ativos rotativos de baixa velocidade. A evolução contínua da precisão da IA também desempenhará um papel importante aqui.
Combinar esses dados aumentados com processamento de borda no nível do sensor ou do gateway pode resultar em menor latência em torno de detecções de falhas, juntamente com comunicação local para tomar medidas rápidas. Um exemplo disso seria usar uma assinatura de pressão de sucção e vibração de bombas para identificar rapidamente a cavitação localmente e alertar a equipe local rapidamente para tomar medidas.
À medida que a saúde da máquina continua a evoluir, líderes claros em cada categoria específica de ativos estão começando a surgir e mostrar casos de valor real em uma ampla gama de tipos de ativos e soluções para pontos de problemas de manutenção amplamente conhecidos. Parcerias entre essas organizações ou soluções de interoperabilidade para as várias plataformas tornarão possível ver todas as informações de saúde da máquina para todos os tipos de ativos e soluções em um só lugar.
Estamos nos aproximando de um dia em que um usuário poderá fazer login em uma plataforma para ver dados de vibração, dados de infraestrutura elétrica, dados de rota de lubrificação, dados de análise de óleo e dados de processo, tudo em um só lugar, com IA analisando-os continuamente em busca de falhas.
Artigos relacionados:O futuro da manutenção prescritiva
