Výrobní průmysl čelí výzvě provozovat stále složitější výrobní zařízení s maximální dostupností. Prediktivní údržba se ukázala jako klíčová technologie pro proaktivní řešení opotřebení a poruch. Kritické komponenty mohou být vyměněny na základě výpočtů, než dojde k větším neplánovaným přerušením nebo dokonce poškození strojních částí.
Žádná predikce bez přesného měření
Aby bylo možné učinit fundované předpovědi, je nejprve nutné co nejpřesněji znát aktuální stav systému. Co se na první pohled zdá jako triviální, je v praxi strojírenství často větší výzvou. Stroje a zařízení se stávají stále složitějšími, což znamená, že přímé, bezkontaktní měření kritických parametrů je často buď nemožné, nebo není možné za přijatelné náklady.
Zde přichází do hry virtuální senzorika, známá také jako softwarové nebo inferenční snímání. Tato technologie umožňuje na základě snadno zjistitelných parametrů odvodit požadovanou veličinu, kterou nelze přímo měřit fyzickými přístroji nebo jen s velmi velkým úsilím.
Zajímavým příkladem z průmyslu je analýza motorového proudu nebo Motor Current Signature Analytics (MCSA). Tato metoda vychází z toho, že proud, který je odebírán z asynchronního motoru, není ovlivněn pouze přivedeným napětím, ale také stavem motoru a připojenými agregáty. Deformace v křivce průběhu proudu, které nelze vysvětlit deformacemi v křivce napětí, musí být tedy způsobeny poruchami v systému. Na základě rozsahu odchylek lze již usuzovat na závažnost poruchy. Ale to samo o sobě nestačí – inženýři chtějí přesně vědět, kde leží potenciální zdroje chyb: Je patrná nevyváženost nebo poškození ložiska, dochází k kavitaci v čerpadlech, je přítomna chyba statoru nebo rotoru? Aby bylo možné na základě naměřených průběhů proudu a napětí usuzovat na konkrétní (mechanické) problémy, je následně nutné rozpoznání určitých vzorců v odchylkách a jejich propojení se specifickými zdroji chyb.
Strojové učení a předpovědi
Pokud jde o analýzu velkých objemů dat a rozpoznávání vzorců, může umělá inteligence v oblasti strojového učení prokázat jednu ze svých velkých sil. Technologie podporuje týmy údržby při realizaci prediktivní údržby na základě dat v reálném čase. Mohou tak rozhodnout, kdy a jaké údržbové práce provést a optimálně je koordinovat s vytížením výroby.
Kombinací MCSA a AI-podporované prediktivní údržby, jak je například použito v Motor Analytics od společnosti Eaton, získávají týmy specifické předpovědi o typech poruch pro každý jednotlivý motor – v prioritním pořadí a v širším kontextu jejich elektrického systému. Následně mohou s předpřipraveným dashboardem provádět hloubkové analýzy, aby lépe porozuměli odchylkám výkonu v provozu strojů a zařízení. Kontinuální digitální sběr dat přitom činí časově náročné manuální sběry nadbytečnými. To nejen ulehčuje zaměstnancům, ale také zajišťuje nižší pravděpodobnost chyb.
Díky použití MCSA řešení mohou společnosti také předpovědět jak elektrické, tak mechanické poruchy až o 30 procent dříve a o 25 procent přesněji než s tradičními systémy monitorování stavu. AI-podporovaná prognózní funkce poskytuje přímo využitelné poznatky, aniž by byla nutná rozsáhlá odborná znalost daného systému nebo zkušenosti s datovou vědou.
Celkově se ukazuje, že kombinace virtuální senzoriky, analýzy motorového proudu a AI-podporované prediktivní údržby poskytuje firmám rozhodující výhodu v dostupnosti a efektivitě jejich zařízení. Včasné, přesné pohledy na stav kritických komponent umožňují nejen plánovanou údržbu, ale také snižují rizika výpadků a provozní náklady. Tím se digitální, daty řízená údržba stává klíčovým faktorem úspěchu pro výrobní průmysl budoucnosti.
Kontakt:
