Industrija proizvodnje suočava se s izazovom upravljanja sve složenijim proizvodnim postrojenjima uz maksimalnu dostupnost. Prediktivno održavanje pokazalo se kao ključna tehnologija za proaktivno rješavanje trošenja i kvarova. Kritične komponente mogu se planirati zamijeniti prije nego što dođe do većih neplaniranih prekida ili čak oštećenja dijelova strojeva.
Nema predikcije bez preciznog mjerenja
Međutim, da bi se mogle donijeti informirane procjene, prvo je potrebno što točnije poznavati trenutnu situaciju sustava. Ono što se na prvi pogled čini trivijalnim, u praksi strojarstva često predstavlja veći izazov. Strojevi i postrojenja postaju sve složeniji, što otežava izravno, neuništavajuće mjerenje kritičnih parametara, često čak i po prihvatljivim troškovima.
Tu dolazi do izražaja virtualna senzorska tehnologija, poznata i kao softversko ili inferencijsko mjerenje. Ova tehnika omogućava da se, na temelju lako mjerljivih parametara, zaključi o željenoj veličini koja se ne može izravno mjeriti fizičkim instrumentima ili se za to zahtijevaju vrlo veliki napori.
Jedan zanimljiv primjer iz industrije je analiza struje motora ili Motor Current Signature Analytics (MCSA). Ova metoda temelji se na činjenici da struja koju troši izmjenični motor ne utječe samo na primijenjenu napetost, već i na stanje motora i povezane agregate. Iskrivljenja u krivulji tijeka struje koja se ne mogu objasniti deformacijama u krivulji napetosti moraju biti uzrokovana kvarovima u sustavu. Na temelju razmjera odstupanja već se može zaključiti o težini smetnje. No, to samo po sebi nije dovoljno – inženjeri žele točno znati gdje se nalaze potencijalni izvori grešaka: pojavljuje li se neravnoteža ili oštećenje ležaja, dolazi li do kavitacije u pumpama, postoji li greška u statoru ili rotoru? Da bi se iz izmjerenih tijekova struje i napetosti zaključilo o konkretnim (mehaničkim) problemima, potrebno je prepoznati određene obrasce u odstupanjima i povezati ih s specifičnim izvorima grešaka.
Strojno učenje i predikcije
Kada je riječ o analizi velikih količina podataka i prepoznavanju obrazaca, umjetna inteligencija može iskoristiti jednu od svojih velikih prednosti u području strojnog učenja. Tehnologija pomaže timovima za održavanje da realiziraju prediktivno održavanje na temelju podataka u stvarnom vremenu. Tako mogu odlučiti kada i koje radove na održavanju treba provesti i optimalno ih uskladiti s opterećenjem proizvodnje.
Kombinacijom MCSA i AI-podržanog prediktivnog održavanja, kao što se koristi u Motor Analytics od Eatona, timovi dobivaju specifične predikcije o vrstama kvarova za svaki pojedini motor – u redoslijedu prioriteta i u širem kontekstu njihovog električnog sustava. Nakon toga mogu provesti dublje analize pomoću unaprijed pripremljenog nadzorne ploče kako bi bolje razumjeli odstupanja u performansama rada strojeva i postrojenja. Kontinuirano digitalno prikupljanje podataka čini dugotrajna ručna prikupljanja suvišnima. To ne samo da olakšava zaposlenicima, već također smanjuje mogućnost grešaka.
Korištenjem MCSA rješenja, tvrtke mogu predvidjeti električne i mehaničke kvarove do 30 posto ranije i 25 posto preciznije nego s konvencionalnim sustavima za praćenje stanja. AI-podržana funkcija predikcije pruža izravno upotrebljive uvide, bez potrebe za opsežnim stručnim znanjem o određenom sustavu ili iskustvom u znanosti o podacima.
Sve u svemu, kombinacija virtualne senzorske tehnologije, analize struje motora i AI-podržanog prediktivnog održavanja daje tvrtkama odlučujuću prednost u dostupnosti i učinkovitosti njihovih postrojenja. Rano, precizno uvid u stanje kritičnih komponenti omogućava ne samo planirano održavanje, već i smanjuje rizike od kvarova i troškove poslovanja. Tako digitalno, podacima vođeno održavanje postaje ključni faktor uspjeha za proizvodnu industriju budućnosti.
Kontakt:
