Bảo trì dự đoán: Phân tích độ rung & Edge AI

Chuỗi đo lường, không chỉ là cảm biến

Giám sát tình trạng bắt đầu bằng đường dẫn cơ học từ thiết bị đến phần tử cảm biến. Độ cứng gắn, hướng và cộng hưởng cục bộ có thể thay đổi quang phổ trước khi phần mềm nhìn thấy nó. Sau đó, phạm vi cảm biến và mật độ tiếng ồn phải phù hợp với cả độ rung dự kiến ​​và các dấu hiệu lỗi sớm nhất đáng được phát hiện.

Mẫu cho lỗi, không phải cho bảng điều khiển

Xu hướng chậm có thể cho thấy độ rung tổng thể đang tăng lên nhưng nó có thể che giấu tác động của ổ trục hoặc các chuyển tiếp ngắn. Chiến lược thu thập dữ liệu phải xác định băng thông, tốc độ lấy mẫu, độ dài cửa sổ và các điều kiện kích hoạt từ các chế độ lỗi mục tiêu. Các cửa sổ được lên lịch cung cấp các xu hướng lặp lại; tính năng chụp do sự kiện kích hoạt sẽ duy trì hành vi bất thường mà không phát trực tuyến liên tục.

Biến các cửa sổ thô thành bằng chứng hoạt động

RMS, đỉnh, hệ số đỉnh và năng lượng dải phổ chỉ hữu ích khi gắn với trạng thái vận hành. Tốc độ, tải trọng và nhiệt độ cung cấp bối cảnh thiết yếu. quá trình xử lý cục bộ có thể phân loại các cửa sổ, giữ lại các mẫu thô đại diện và truyền các tính năng nhỏ gọn để các kỹ sư có thể điều tra cảnh báo mà không cần di chuyển mọi mẫu qua mạng.

Thiết kế liên kết không dây xung quanh các quyết định

Việc vận hành, tóm tắt định kỳ, cảnh báo và tải xuống chẩn đoán có các yêu cầu về băng thông và năng lượng khác nhau. Việc tách các lớp lưu lượng này cho phép chiến lược vô tuyến, pin và lưu trữ phục vụ quy trình bảo trì thay vì buộc một liên kết phải xử lý mọi trường hợp.

Giám sát tình trạng so với bảo trì dự đoán

Giám sát tình trạng mô tả trạng thái hiện tại của máy và cách nó thay đổi. Bảo trì dự đoán còn tiến xa hơn: nó sử dụng bằng chứng để quyết định khi nào cần bảo trì trước khi xảy ra lỗi không thể chấp nhận được. Chỉ riêng điểm rung động tăng lên không quyết định thời gian sử dụng hữu ích còn lại. Phát hiện sự bất thường, chẩn đoán lỗi và dự đoán thời gian lỗi riêng biệt trong các yêu cầu của dự án.

Đối với người điều khiển máy bơm hoặc động cơ, trước tiên hãy xác định các chế độ lỗi cần phát hiện và hành động bảo trì mà cảnh báo sẽ kích hoạt. Ghi lại tốc độ, tải trọng, vị trí lắp đặt và các sự kiện bảo trì cùng với cửa sổ rung. So sánh các trạng thái vận hành tương tự để những thay đổi sản xuất bình thường không bị nhầm lẫn với sự xuống cấp.

Kết hợp phân tích rung động với hình ảnh nhiệt

Camera chụp ảnh nhiệt có thể thêm bối cảnh nhiệt độ bề mặt vào các phép đo độ rung và điện. Ví dụ, sự thay đổi độ rung kèm theo sự tăng nhiệt độ lặp lại có thể cần phải kiểm tra kỹ hơn. Camera hồng ngoại không phát hiện được mọi lỗi bên trong và vùng nóng không phải là chẩn đoán. Hình dạng đo, độ phát xạ, nhiệt độ phản xạ và tải vận hành ảnh hưởng đến việc diễn giải.

Chọn phương pháp cảm biến xung quanh khả năng truy cập và khả năng hiển thị lỗi. Một cảm biến nhiệt độ cố định có thể đủ cho một vỏ ổ trục; Hình ảnh nhiệt có thể hữu ích khi cần quan sát một số bề mặt có thể tiếp cận được. Giữ bằng chứng được đánh dấu thời gian và so sánh các xu hướng trong các điều kiện tương tự trước khi quyết định cách kết hợp các tín hiệu.

Nơi Edge AI và IoT công nghiệp phù hợp

Cổng IoT công nghiệp có thể thu thập các tính năng, giữ lại các cửa sổ chẩn đoán và chuyển cảnh báo đến quy trình bảo trì. Bắt đầu với đường cơ sở và ngưỡng có thể hiểu được. Thêm Edge AI khi tập dữ liệu đại diện thể hiện lợi thế, chẳng hạn như ít cảnh báo sai hơn khi thay đổi trạng thái vận hành. Xác thực bằng dữ liệu được loại trừ khỏi quá trình phát triển mô hình và báo cáo các sự kiện bị bỏ lỡ cũng như cảnh báo sai.

Xác định ai sẽ xem xét cảnh báo, dữ liệu thô nào họ có thể truy xuất và cách sự kiện bảo trì đã được xác nhận phản hồi lại hệ thống. Đo lường thời gian thực hiện phát hiện, gánh nặng cảnh báo và tính sẵn có của dữ liệu trong quá trình thí điểm. Đây là những tiêu chí chấp nhận hữu ích hơn một bảng thông tin chỉ hiển thị điểm bất thường.

Khám phá một dự án giám sát tình trạng máy

Tham khảo kỹ thuật: FLIR: cài đặt đo nhiệt độ và độ phát xạ