Proizvodna industrija se sooča z izzivom obratovanja vedno bolj kompleksnih proizvodnih obratov z maksimalno razpoložljivostjo. Napovedno vzdrževanje se je izkazalo za ključno tehnologijo za proaktiven pristop k obrabi in izpadom. Kritične komponente je mogoče izračunano zamenjati, preden pride do večjih nepričakovanih prekinitev ali celo poškodbe delov strojev.
Brez napovedi ni natančnega merjenja
Da bi lahko sprejeli utemeljene napovedi, je najprej treba čim natančneje poznati dejansko stanje sistema. Kar se sprva zdi trivialno, je v praksi strojništva pogosto večji izziv. Stroji in naprave postajajo vedno bolj kompleksni, kar pomeni, da je neposredno, nedestruktivno merjenje kritičnih parametrov pogosto bodisi nemogoče bodisi neizvedljivo po sprejemljivih stroških.
Tukaj pride v igro virtualna senzorika, znana tudi kot mehka ali inferencialna senzorika. Ta tehnika omogoča, da na podlagi enostavno merljivih parametrov sklepamo o želeni značilnosti, ki je s fizičnimi instrumenti ni mogoče neposredno meriti ali pa le z zelo velikimi stroški.
Zanimiv primer iz industrije je analiza motornega toka ali Motor Current Signature Analytics (MCSA). Metoda temelji na dejstvu, da tok, ki ga absorbira motor z izmeničnim tokom, ne vpliva le napetost, temveč tudi stanje motorja in z njim povezanih agregatov. Izkrivljanja v krivulji toka, ki jih ni mogoče razložiti z izkrivljanjem v napetostni krivulji, morajo torej povzročati okvare v sistemu. Z obsegom odstopanj je mogoče že sklepati o resnosti motnje. Vendar to samo po sebi ni dovolj – inženirji želijo natančno vedeti, kje so potencialni viri napak: ali se kaže neuravnoteženost ali poškodba ležaja, ali pride do kavitacije v črpalkah, ali gre za napako statorja ali rotorja? Da bi iz izmerjenih tokov in napetosti sklepali na konkretne (mehanične) težave, je nato potrebno prepoznati določene vzorce v odstopanjih in jih povezati s specifičnimi viri napak.
Strojno učenje in napovedi
Ko gre za analizo velikih količin podatkov in prepoznavanje vzorcev, lahko umetna inteligenca s področjem strojnega učenja pokaže eno svojih velikih prednosti. Tehnologija podpira vzdrževalne ekipe pri izvajanju napovednega vzdrževanja na podlagi podatkov v realnem času. Tako lahko odločajo, kdaj in katere vzdrževalne dejavnosti izvesti ter jih optimalno usklajujejo z obremenitvijo proizvodnje.
S kombinacijo MCSA in AI-podprtega napovednega vzdrževanja, kot se uporablja na primer pri Motor Analytics podjetja Eaton, ekipe prejemajo specifične napovedi o vrstah izpadov za vsak posamezen motor – v vrstnem redu prioritet in v širšem kontekstu njihovega električnega sistema. Nato lahko z vnaprej pripravljenim nadzornim ploščo izvajajo globlje analize, da bi bolje razumeli odstopanja v delovanju strojev in naprav. Neprekinjeno digitalno zbiranje podatkov tako odpravlja dolgotrajna ročna zbiranja. To ne le da razbremeni zaposlene, temveč tudi zmanjša verjetnost napak.
Z uporabo rešitev MCSA lahko podjetja tudi napovedujejo tako električne kot mehanične izpade do 30 odstotkov prej in 25 odstotkov natančneje kot s tradicionalnimi sistemi za spremljanje stanja. Funkcija napovedovanja, podprta z AI, zagotavlja neposredno uporabne vpoglede, ne da bi bile potrebne obsežne strokovne izkušnje s sistemom ali izkušnje s podatkovno znanostjo.
Na splošno se izkaže, da kombinacija virtualne senzorike, analize motornega toka in AI-podprtega napovednega vzdrževanja podjetjem zagotavlja odločilno prednost pri razpoložljivosti in učinkovitosti njihovih obratov. Zgodnji, natančni vpogledi v stanje kritičnih komponent omogočajo ne le načrtovano vzdrževanje, temveč tudi zmanjšujejo tveganja za izpade in obratovalne stroške. Tako postane digitalno, podatkovno usmerjeno vzdrževanje ključni dejavnik uspeha za proizvodno industrijo prihodnosti.
Kontakt:
