Condition monitoring maszyn. Jak AI pomaga wcześniej wychwycić problemy?
Adobe Stock – cheskyPonad dwie trzecie firm przemysłowych doświadcza nieplanowanych przestojów co najmniej raz w miesiącu – wynika z globalnego badania ABB przeprowadzonego wśród osób odpowiedzialnych za utrzymanie ruchu. Jednym ze sposobów ograniczania ryzyka takich zdarzeń jest ciągłe monitorowanie stanu maszyn. Condition Monitoring System pozwala obserwować zmiany parametrów urządzeń w czasie, a wykorzystanie AI ułatwia analizę dużych zbiorów danych i wychwytywanie sygnałów, które mogą wskazywać na rozwijającą się nieprawidłowość.
Powiązane firmy
Nieplanowana awaria rzadko pojawia się bez żadnego sygnału. Zmiana temperatury, nietypowe zachowanie łożyska czy wzrost poziomu drgań mogą wskazywać, że stan urządzenia zaczyna się pogarszać. Dla utrzymania ruchu problemem jest jednak nie tylko wykrycie takiej zmiany, ale również odpowiednio wczesna ocena jej znaczenia.
Właśnie temu służy Condition Monitoring System (CMS) – system ciągłego monitorowania stanu urządzeń, który zbiera dane z czujników i pozwala śledzić ich zmiany w czasie. W przypadku maszyn wirujących szczególne znaczenie ma diagnostyka drgań. Pozwala ona analizować nie tylko poziom wibracji, ale również charakter i dynamikę sygnału.
Co można wyczytać z drgań maszyny?
Wzrost wartości drgań jest sygnałem ostrzegawczym, ale sam w sobie nie musi jeszcze mówić, co dzieje się z maszyną. Znaczenie mają m.in. częstotliwość, charakter i dynamika zmian sygnału. Ich analiza pozwala szukać wzorców charakterystycznych dla określonych zjawisk, takich jak niewyważenie, niewspółosiowość czy poluzowanie elementów.
– W diagnostyce drganiowej nie chodzi wyłącznie o sprawdzenie, czy poziom wibracji przekroczył ustaloną granicę. Znacznie więcej informacji daje analiza charakterystycznych wzorców sygnału. Na ich podstawie można rozróżniać m.in. niewyważenie, niewspółosiowość czy poluzowanie elementów. Dzięki temu dane o drganiach mogą nie tylko wygenerować alarm, ale również dostarczyć informacji pomocnych w określeniu przyczyny nieprawidłowości – mówi Krzysztof Gut, ekspert w dziedzinie wibrodiagnostyki, Inżynier Projektu w ifm electronic.
Czujniki drgań mogą dostarczać wielu parametrów diagnostycznych, a CMS pozwala gromadzić je i obserwować w sposób ciągły. Dzięki temu utrzymanie ruchu może analizować nie tylko pojedynczy pomiar, ale również kierunek zmian zachodzących podczas pracy urządzenia.
Gdy monitorowanych maszyn przybywa
Stały monitoring oznacza jednak rosnącą ilość danych. Przy kilku urządzeniach ich analiza może być stosunkowo prosta. W większym zakładzie, gdzie monitorowane są dziesiątki lub setki punktów pomiarowych, ręczne śledzenie wszystkich zmian staje się znacznie trudniejsze. Utrzymanie ruchu musi spośród nich wyłapać te sygnały, które rzeczywiście wymagają uwagi. Właśnie tutaj coraz większe znaczenie ma automatyzacja analizy danych i wykorzystanie AI. Algorytmy mogą rozpoznawać anomalie, wykrywać zmiany strukturalne i analizować trendy, wskazując odstępstwa od dotychczasowego zachowania maszyny.
MOŻE ZAINTERESUJE CIĘ TAKŻE
– Przy dużej liczbie monitorowanych urządzeń największym wyzwaniem nie jest już samo pozyskanie danych, ale ich właściwa selekcja i interpretacja. Człowiek nie jest w stanie ręcznie przeanalizować wszystkich parametrów z dziesiątek czy setek punktów pomiarowych w taki sam sposób, w jaki może to zrobić algorytm. Dlatego w rozwiązaniach takich jak moneo Insights stosuje się automatyczne wykrywanie anomalii i zmian strukturalnych, analizę trendów czy prognozowanie pozostałego czasu eksploatacji komponentów. Pozwala to szybciej wytypować urządzenia, których zachowanie odbiega od dotychczasowego wzorca i które wymagają dalszej diagnostyki – wyjaśnia Krzysztof Gut, ekspert ifm electronic.
Od alarmu do oceny stanu maszyny
Sama informacja o odchyleniu nie oznacza jeszcze konieczności zatrzymania urządzenia. Znaczenie ma jego rodzaj, skala i dynamika, a także warunki, w których maszyna pracuje. Dlatego wartość condition monitoringu nie kończy się na wygenerowaniu alarmu.
Szersze podejście do kondycji aktywów, określane jako Asset Health, pozwala łączyć dane z różnych źródeł i obserwować stan urządzenia w dłuższej perspektywie. Dane o drganiach mogą być zestawiane z innymi informacjami o pracy maszyny, a ich zmiany analizowane w odniesieniu do jej historii.
Dane jako podstawa decyzji utrzymania ruchu
Dla służb utrzymania ruchu najważniejsze jest ostatecznie nie samo zgromadzenie danych, ale możliwość wykorzystania ich do podjęcia decyzji. Wykryta zmiana może oznaczać potrzebę dodatkowej diagnostyki, dalszej obserwacji trendu, przeglądu podczas planowanego postoju albo wymiany komponentu. Rozwój CMS wspieranych przez AI zmienia więc sposób wykorzystania danych z monitoringu. Nie chodzi wyłącznie o ustawienie wartości granicznej i wygenerowanie alarmu, ale o obserwowanie zmian, rozpoznawanie wzorców i ocenę ich znaczenia dla stanu maszyny.
Wibrodiagnostyka pozostaje jednym z ważnych źródeł informacji o kondycji urządzeń. Jej znaczenie rośnie jednak wtedy, gdy dane są zbierane w sposób ciągły, analizowane w czasie i zestawiane z innymi informacjami o pracy maszyny. AI może pomóc znaleźć sygnały wymagające uwagi, ale ich interpretacja i decyzja o dalszym działaniu nadal pozostają po stronie utrzymania ruchu.
Źródło: ifm electronic
