W ostatnich latach zastosowanie monitorowania stanu i konserwacji predykcyjnej znacznie wzrosło ze względu na rosnące wymagania dotyczące dostępności maszyn i ogólnej wydajności. Rozwój technologiczny, taki jak big data, inteligentne algorytmy, chmura i technologie bezprzewodowe, wkracza na rynek, zwiększając możliwości automatycznej analizy i stwarzając okazje do przekształcenia procesu monitorowania i analizy.
Chmura przemysłowa
Konserwacja oparta na stanie (CBM) lub konserwacja predykcyjna ma kluczowe znaczenie dla systemów opartych na chmurze. Systemy te oferują analizę i interpretację danych w oparciu o modele i algorytmy zdefiniowane dla konkretnych maszyn i procesów. Odchylenia wykryte przez system prowadzą do zaleceń konserwacyjnych. Takie systemy pozwalają firmom przejść od konserwacji reaktywnej do konserwacji proaktywnej. Konserwację można przeprowadzić, zanim dojdzie do rzeczywistych awarii.
Konserwacja predykcyjna
Ważne jest, aby zrozumieć, że konserwacja predykcyjna lub CBM nie są uzależnione od systemów opartych na chmurze. Wiele firm oferujących te rozwiązania promuje konserwację predykcyjną jako nową koncepcję. Nie jest to jednak prawda; istniejące systemy monitorowania stanu (drgań) są obecne na rynku przemysłowym od dziesięcioleci. Strategie konserwacji predykcyjnej mają zastosowanie od momentu wprowadzenia (internetowych) systemów monitorowania stanu. Dane dostarczane przez te systemy umożliwiają monitorowanie zachowań drgań, tworzenie trendów drgań i mogą być wykorzystywane do konserwacji predykcyjnej. Ponadto systemy obsługujące automatyczną analizę niekoniecznie muszą być oparte na chmurze.
Dlaczego warto korzystać z analizy automatycznej?
Firmy borykają się z silnym spadkiem poziomu wiedzy specjalistycznej. Wynika to w dużej mierze z odchodzenia ekspertów na emeryturę oraz niedoboru młodych specjalistów lub osób z odpowiednim wykształceniem. Ten brak wiedzy specjalistycznej można rozwiązać poprzez wdrożenie systemu umożliwiającego automatyczną analizę, w którym wiedza specjalistyczna jest zasadniczo przenoszona do systemu. System ten wykorzystuje modele/algorytmy do analizy i interpretacji danych dotyczących drgań, co skutkuje konkretnymi zaleceniami konserwacyjnymi.
Dzięki automatyzacji analizy drgań i interpretacji wyników w maszynach wirujących do wykonywania tych zadań potrzeba mniej lokalnych inżynierów. Dla firm borykających się z malejącą liczbą kompetentnych ekspertów ds. drgań przejście na system zautomatyzowany może być nieuniknione.
Wiedza ekspercka na żądanie
Naszym zdaniem główną szansą wynikającą z tych zmian jest poprawa wydajności i skuteczności monitorowania stanu technicznego. Wykorzystanie zautomatyzowanego przetwarzania danych do przeprowadzenia wstępnej analizy, bez konieczności angażowania lokalnych ekspertów, może stanowić przełom. Bezprzewodowe czujniki i połączone systemy monitorowania mogą zmniejszyć obciążenie infrastruktury oraz obniżyć początkowe nakłady inwestycyjne związane z systemami monitorowania. Współdzielenie danych pozwala udoskonalić algorytmy automatycznej analizy i stwarza możliwości zdalnego wsparcia. Technologie te zwiększają ogólną skuteczność i wartość systemów oraz struktur monitorowania stanu technicznego, a także zmieniają modele usług w kierunku ekspertyzy na żądanie.
Uwagi
Pomimo możliwości, jakie stwarzają te nowe technologie, należy dokonać właściwej oceny sytuacji.
„W miarę jak analiza i podejmowanie decyzji będą przekazywane zautomatyzowanym systemom i zdalnym ekspertom, lokalni inżynierowie będą coraz mniej angażować się w pracę z maszynami”.
1. Walidacja danych
Dane wejściowe mają kluczowe znaczenie dla każdej analizy zautomatyzowanej lub zdalnej, ponieważ opierają się one wyłącznie na informacjach dostarczonych przez te dane. Dlatego też dane wejściowe muszą zostać zweryfikowane, w tym:
- Wybór odpowiedniego czujnika do danego zastosowania
- Kalibracja czujników
- Stosunek sygnału do szumu
Ponadto należy zweryfikować dokładność danych. Przedstawione dane muszą być istotne i dokładne, aby stworzyć sprawną strukturę konserwacji predykcyjnej. Dane o niskiej dokładności nie mogą być wykorzystywane do monitorowania. W świetle dokładności danych bardzo trudno jest radzić sobie z (wyjątkowymi) wpływami środowiskowymi, takimi jak zmiany w otoczeniu, wyjątkowe warunki procesowe lub błąd ludzki. Na przykład drgania spowodowane przez inną maszynę (drgania krzyżowe) mogą spowodować, że zautomatyzowany system wygeneruje fałszywy alarm.
2. Logistyka i konserwacja
Aby zebrać odpowiednie dane, należy zagwarantować prawidłowość pomiarów i przepływu danych. Należy zapewnić odpowiednią konserwację i logistykę, które muszą obejmować:
- Zapobieganie krzyżowemu połączeniu czujników
- Zapobieganie błędnemu rozmieszczeniu/umiejscowieniu czujników
- Odpowiedni interwał gromadzenia danych
- Dostępność czujników zapasowych
- Zarządzanie bateriami czujników i strategia ich wymiany
- Stabilne, bezpieczne i niezawodne połączenia sieciowe
3. Lokalna wiedza specjalistyczna
W miarę jak analiza i podejmowanie decyzji są przekazywane zautomatyzowanym systemom i zdalnym ekspertom, lokalni inżynierowie będą coraz mniej angażować się w obsługę maszyn. W rezultacie rośnie zależność od zewnętrznych ekspertów w zakresie analizy i wsparcia.
4. Bezpieczeństwo i prywatność
W wyniku podłączenia czujników i sprzętu monitorującego do Internetu cyberbezpieczeństwo staje się zagrożeniem i mają zastosowanie nowe wytyczne dotyczące przechowywania i przetwarzania danych, takie jak norma ISO 27001. Luki w zabezpieczeniach i przepisy zwiększają złożoność wdrożenia systemu połączonego z Internetem.
