ennakoiva kunnossapito: Tärinäanalyysi ja Edge AI

Mittausketju, ei vain anturi

Kunnonvalvonta alkaa mekaanisella tiellä omaisuudesta anturielementtiin. Asennusjäykkyys, suuntaus ja paikalliset resonanssit voivat muuttaa spektriä ennen kuin ohjelmisto huomaa sen. Anturin kantaman ja melutiheyden on tällöin vastattava sekä odotettua tärinää että aikaisimpia havaitsemisen arvoisia vikamerkkejä.

Esimerkki viasta, ei kojelautasta

Hidas trendi voi osoittaa, että yleinen tärinä on nousussa, mutta se voi piilottaa laakerin iskuja tai lyhyitä transientteja. Hankintastrategian tulisi määrittää kaistanleveys, näytteenottotaajuus, ikkunan pituus ja liipaisuolosuhteet kohdevirhetiloista. Aikataulutetut ikkunat tarjoavat toistettavia trendejä; tapahtuman käynnistämä kaappaus säilyttää epätavallisen toiminnan ilman jatkuvaa suoratoistoa.

Muuta raaka-ikkunat toiminnallisiksi todisteiksi

RMS, huippu, huippukerroin ja spektrikaistan energia ovat hyödyllisiä vain, kun ne on sidottu toimintatilaan. Nopeus, kuormitus ja lämpötila tarjoavat olennaisen kontekstin. Reunaprosessointi voi luokitella ikkunoita, säilyttää edustavia raakanäytteitä ja lähettää kompakteja ominaisuuksia, jotta insinöörit voivat tutkia hälytystä siirtämättä jokaista näytettä verkon yli.

Suunnittele langaton linkki päätösten ympärille

Käyttöönotolla, rutiiniyhteenvedoilla, hälytyksillä ja diagnostiikkalatauksilla on erilaiset kaistanleveys- ja tehovaatimukset. Näiden liikenneluokkien erottaminen mahdollistaa radio-, akku- ja tallennusstrategian palvelevan ylläpitotyönkulkua sen sijaan, että yksi linkki pakottaisi käsittelemään jokaista tapausta.

Kunnonvalvonta verrattuna ennakoiva kunnossapito:ään

Kunnonvalvonta kuvaa koneen tämänhetkistä tilaa ja sen muutoksia. ennakoiva kunnossapito menee pidemmälle: se käyttää todisteita päättääkseen, milloin huolto on tarpeen ennen kelpaamatonta vikaa. Nouseva tärinäpistemäärä ei yksin määritä jäljellä olevaa käyttöikää. Projektivaatimuksissa erillinen poikkeamien havaitseminen, vianmääritys ja vika-ajan ennustaminen.

Jos kyseessä on pumppu tai moottori pilottihanke, tunnista ensin havaitsemisen arvoiset vikatilat ja huoltotoimet, jotka hälytyksen tulee laukaista. Tallenna nopeus, kuorma, asennusasento ja huoltotapahtumat tärinäikkunoiden rinnalla. Vertaa samankaltaisia ​​toimintatiloja, jotta normaaleja tuotannon muutoksia ei erehtyä erehtymään huononemiseen.

Yhdistä tärinäanalyysi lämpökuvaus:n kanssa

lämpökuvaus-kamera voi lisätä pintalämpötilakontekstin tärinä- ja sähkömittauksiin. Esimerkiksi tärinän muutos, johon liittyy toistuva lämpötilan nousu, voi oikeuttaa tarkemman tarkastelun. Infrapunakamera ei paljasta kaikkia sisäisiä vikoja, eikä kuuma alue ole diagnoosi. Mittausgeometria, emissiivisyys, heijastuva lämpötila ja käyttökuorma vaikuttavat tulkintaan.

Valitse tunnistusmenetelmä pääsyn ja vian näkyvyyden suhteen. Kiinteä lämpötila-anturi voi riittää yhdelle laakeripesälle; lämpökuvaus voi olla hyödyllinen, kun useat helposti saatavilla olevat pinnat tarvitsevat tarkkailua. Säilytä aikaleimatut todisteet ja vertaa trendejä samanlaisissa olosuhteissa ennen kuin päätät, kuinka signaalit tulisi yhdistää.

Minne edge AI ja Industrial IoT sopivat

Teollinen IoT-yhdyskäytävä voi kerätä ominaisuuksia, säilyttää diagnostiikkaikkunoita ja välittää hälytyksiä ylläpitotyönkulkuun. Aloita tulkittavissa olevalla perustasolla ja kynnyksillä. Lisää reuna-AI, kun edustava tietojoukko osoittaa etua, kuten vähemmän vääriä hälytyksiä muuttuvissa toimintatiloissa. Vahvista mallin kehittämisestä poissuljetuilla tiedoilla ja ilmoita menetetyistä tapahtumista sekä vääristä hälytyksistä.

Määritä, kuka tarkistaa hälytyksen, mitä raakadataa he voivat hakea ja miten vahvistettu huoltotapahtuma palaa järjestelmään. Mittaa havaitsemisen läpimenoaikaa, hälytystaakkaa ja tietojen saatavuutta pilottihanke:n aikana. Nämä ovat hyödyllisempiä hyväksymiskriteerejä kuin kojelauta, joka näyttää vain poikkeavuuspisteet.

Tutustu koneen kunnonvalvontaprojektiin

Tekninen viite: FLIR: lämpötilan mittaus ja emissiivisyysasetukset