A gyártóipar előtt álló kihívás, hogy egyre bonyolultabb termelési berendezéseket maximális rendelkezésre állással üzemeltessen. A prediktív karbantartás kulcstechnológiának bizonyult a kopás és a leállások proaktív kezelésére. A kritikus alkatrészek kiszámítottan cserélhetők ki, mielőtt nagyobb, nem tervezett leállások vagy akár gépelemek sérülése következne be.
Nincs predikció pontos mérés nélkül
Ahhoz, hogy megalapozott előrejelzéseket lehessen tenni, először is a rendszer aktuális állapotát a lehető legpontosabban kell ismerni. Ami elsőre triviálisnak tűnik, az a gépgyártás gyakorlatában gyakran nagyobb kihívást jelent. A gépek és berendezések egyre bonyolultabbá válnak, ami miatt a kritikus paraméterek közvetlen, nem destruktív mérése gyakran vagy egyáltalán nem lehetséges, vagy nem elfogadható költségek mellett.
Itt lép a képbe a virtuális szenzorika, más néven szoftveres vagy inferenciális érzékelés. Ez a technika lehetővé teszi, hogy könnyen meghatározható paraméterek alapján következtessünk egy kívánt jellemzőre, amelyet fizikális eszközökkel nem vagy csak nagyon nagy erőfeszítéssel lehet közvetlenül mérni.
Egy érdekes ipari példa erre a motoráram-elemzés vagy Motor Current Signature Analytics (MCSA). A módszer azon a tényen alapul, hogy az áramlású motor által felvett áramot nemcsak a rákapcsolt feszültség befolyásolja, hanem a motor állapota és a hozzá kapcsolódó aggregátumok is. Az áramgörbe torzulásait, amelyeket nem lehet a feszültséggörbe torzulásaival magyarázni, tehát a rendszer hibás működése okozza. A eltérések mértéke már a zavar súlyosságára is következtetni lehet. De ez önmagában nem elegendő - végül is a mérnökök pontosan tudni akarják, hol találhatók a potenciális hibaforrások: jelez-e egy egyensúlytalanság vagy egy csapágyhiba, jelentkezik-e kavitation a szivattyúkban, van-e stator- vagy rotorhiba? Ahhoz, hogy a mért áram- és feszültséggörbékből konkrét (mechanikai) problémákra következtethessünk, szükséges a meghatározott minták azonosítása az eltérésekben és a specifikus hibaforrásokkal való összekapcsolás.
Gépi tanulás és előrejelzések
Amikor nagy adathalmazok elemzéséről és minták azonosításáról van szó, a mesterséges intelligencia a gépi tanulás részterületével együtt a nagy erősségeit tudja megmutatni. A technológia segíti a karbantartási csapatokat abban, hogy valós idejű adatok alapján proaktív karbantartást valósítsanak meg. Így eldönthetik, mikor és milyen karbantartási munkákat kell elvégezni, és ezeket optimálisan összehangolhatják a termelés terhelésével.
A MCSA és a MI-alapú prediktív karbantartás kombinációjával, mint például az Eaton Motor Analytics esetében, a csapatok specifikus előrejelzéseket kapnak a leállás típusairól minden egyes motorra - prioritási sorrendben és az elektromos rendszerük szélesebb kontextusában. Ezt követően egy előre elkészített irányítópulton mélyebb elemzéseket végezhetnek a gépek és berendezések működésének teljesítményeltéréseinek jobb megértése érdekében. A folyamatos digitális adatgyűjtés feleslegessé teszi az időigényes manuális felméréseket. Ez nemcsak a munkavállalókat terheli le, hanem csökkenti a hibák valószínűségét is.
A MCSA-megoldások alkalmazásával a vállalatok akár 30%-kal korábban és 25%-kal pontosabban tudják előre jelezni mind az elektromos, mind a mechanikai leállásokat, mint a hagyományos állapotfigyelő rendszerekkel. A MI-alapú előrejelző funkció közvetlenül hasznosítható információkat nyújt, anélkül, hogy a megfelelő rendszer vagy adat-tudományi tapasztalatok széleskörű szakértelme szükséges lenne.
Összességében megállapítható, hogy a virtuális szenzorika, a motoráram-elemzés és a MI-alapú prediktív karbantartás kombinációja döntő előnyt biztosít a vállalatok számára a berendezéseik rendelkezésre állásában és hatékonyságában. A kritikus alkatrészek állapotába való korai, pontos betekintés nemcsak tervezhető karbantartást tesz lehetővé, hanem csökkenti a leállási kockázatokat és a működési költségeket is. Így a digitális, adatvezérelt karbantartás a jövő gyártóiparának központi sikerfaktorává válik.
Kapcsolat:
