予知保全: 振動解析と Edge AI

単なるセンサーではない測定チェーン

状態監視は、資産から感知要素までの機械的経路から始まります。取り付けの剛性、向き、局所的な共振により、ソフトウェアが認識する前にスペクトルが変化する可能性があります。センサーの範囲とノイズ密度は、予想される振動と、検出する価値のある最も初期の障害兆候の両方に一致する必要があります。

ダッシュボードではなく、障害のサンプル

緩やかな傾向は、全体的な振動が上昇していることを示している可能性がありますが、ベアリングへの影響や短い過渡現象が隠れている可能性があります。取得戦略では、帯域幅、サンプル レート、ウィンドウの長さ、およびターゲットの障害モードからのトリガー条件を定義する必要があります。スケジュールされたウィンドウにより、再現可能な傾向が得られます。イベント トリガーのキャプチャでは、継続的にストリーミングすることなく異常な動作が保持されます。

生のウィンドウを運用上の証拠に変える

RMS、ピーク、波高率、およびスペクトル帯域エネルギーは、動作状態に関連付けられている場合にのみ役立ちます。速度、負荷、温度は重要なコンテキストを提供します。ローカル処理ではウィンドウを分類し、代表的な生サンプルを保持し、コンパクトな特徴を送信できるため、エンジニアはネットワーク上ですべてのサンプルを移動することなくアラートを調査できます。

決定に基づいてワイヤレス リンクを設計する

コミッショニング、ルーチンサマリー、アラート、診断ダウンロードには、異なる帯域幅と電力要件があります。これらのトラフィック クラスを分離すると、1 つのリンクにあらゆるケースを強制的に処理させるのではなく、無線、バッテリー、ストレージ戦略でメンテナンス ワークフローを実行できるようになります。

状態監視と予知保全

状態監視は、マシンの現在の状態とそれがどのように変化するかを説明します。予測メンテナンスはさらに進化しており、許容できない障害が発生する前に、証拠を使用してメンテナンスが必要な時期を決定します。振動スコアの上昇だけでは、残りの耐用年数は確立されません。異常検出、障害診断、および故障時間の予測をプロジェクト要件に個別に含めます。

ポンプまたはモーターのパイロットの場合、まず、検出する価値のある障害モードと、アラートがトリガーする必要があるメンテナンス アクションを特定します。速度、荷重、取り付け位置、サービスイベントを振動ウィンドウとともに記録します。通常の生産上の変化を劣化と誤認しないように、同等の動作状態を比較します。

振動解析と熱画像の組み合わせ

熱画像カメラは、振動や電気測定に表面温度のコンテキストを追加できます。たとえば、繰り返し可能な温度上昇を伴う振動の変化は、詳細な検査を正当化する可能性があります。赤外線カメラはすべての内部障害を明らかにするわけではなく、高温領域は診断にはなりません。測定の形状、放射率、反射温度、動作負荷は解釈に影響します。

アクセスと障害の可視性に関するセンシング方法を選択します。 1 つのベアリング ハウジングには固定温度センサーで十分な場合があります。サーマルイメージングは​​、いくつかのアクセス可能な表面を観察する必要がある場合に役立ちます。信号をどのように組み合わせるかを決定する前に、タイムスタンプ付きの証拠を保管し、同様の条件下で傾向を比較してください。

Edge AI と産業用 IoT が適合する場所

産業用 IoT ゲートウェイは、機能を収集し、診断ウィンドウを保持し、メンテナンス ワークフローにアラートを渡すことができます。解釈可能なベースラインとしきい値から始めます。代表的なデータセットが、動作状態の変化による誤報の減少などの利点を示している場合は、Edge AI を追加します。モデル開発から除外されたデータを使用して検証し、見逃したイベントや誤ったアラートをレポートします。

アラートをレビューする人、取得できる生データ、確認されたメンテナンス イベントをシステムにフィードバックする方法を定義します。パイロット中に検出のリードタイム、アラートの負荷、データの可用性を測定します。これらは、単に異常スコアを表示するダッシュボードよりも有用な許容基準です。

機械状態監視プロジェクトを検討する

技術リファレンス: FLIR: 温度測定と放射率設定