Przemysł produkcyjny stoi przed wyzwaniem prowadzenia coraz bardziej skomplikowanych instalacji produkcyjnych z maksymalną dostępnością. Utrzymanie predykcyjne okazało się kluczową technologią w proaktywnym podejściu do zużycia i awarii. Krytyczne komponenty mogą być wymieniane w sposób zaplanowany, zanim dojdzie do większych nieplanowanych przerw lub uszkodzeń części maszyn.
Brak predykcji bez precyzyjnego pomiaru
Aby móc dokonywać uzasadnionych prognoz, należy najpierw jak najdokładniej poznać aktualny stan systemu. To, co na pierwszy rzut oka wydaje się trywialne, w praktyce inżynierskiej często stanowi większe wyzwanie. Maszyny i instalacje stają się coraz bardziej skomplikowane, co sprawia, że bezpośredni, nieniszczący pomiar krytycznych parametrów często jest albo niemożliwy, albo nieopłacalny.
Tutaj wkracza wirtualna sensorika, znana również jako sensorika soft lub inferencyjna. Ta technika pozwala na wnioskowanie o pożądanej wielkości na podstawie łatwych do zmierzenia parametrów, które nie mogą być bezpośrednio mierzone przy użyciu instrumentów fizycznych lub tylko przy bardzo dużym wysiłku.
Interesującym przykładem z przemysłu jest analiza prądu silnika lub analiza sygnatury prądu silnika (MCSA). Metoda ta opiera się na fakcie, że prąd pobierany przez silnik prądu przemiennego jest wpływany nie tylko przez przyłożone napięcie, ale także przez stan silnika i związane z nim agregaty. Zniekształcenia w krzywej przebiegu prądu, które nie mogą być wyjaśnione przez zniekształcenia w krzywej napięcia, muszą być spowodowane przez usterki w systemie. Na podstawie stopnia odchyleń można już wnioskować o ciężkości zakłócenia. Jednak to nie wystarcza - inżynierowie chcą dokładnie wiedzieć, gdzie leżą potencjalne źródła błędów: czy pojawia się nierównowaga lub uszkodzenie łożyska, czy występuje kawitacja w pompach, czy jest błąd stojana lub wirnika? Aby na podstawie zmierzonych przebiegów prądu i napięcia wnioskować o konkretnych (mechanicznych) problemach, konieczne jest następnie rozpoznanie określonych wzorców w odchyleniach i powiązanie ich z konkretnymi źródłami błędów.
Uczenie maszynowe i prognozy
Gdy mowa o analizie dużych zbiorów danych i rozpoznawaniu wzorców, sztuczna inteligencja w połączeniu z dziedziną uczenia maszynowego może wykorzystać jedną ze swoich dużych zalet. Technologia ta wspiera zespoły utrzymania w realizacji predykcyjnego utrzymania opartego na danych w czasie rzeczywistym. Dzięki temu mogą decydować, kiedy i jakie prace konserwacyjne powinny być przeprowadzane i optymalnie koordynować je z obciążeniem produkcji.
Dzięki połączeniu MCSA i predykcyjnego utrzymania wspieranego przez AI, jak ma to miejsce w przypadku analizy silników Eaton, zespoły otrzymują konkretne prognozy dotyczące rodzajów awarii dla każdego silnika - w kolejności priorytetów i w szerszym kontekście ich systemu elektrycznego. Następnie mogą przeprowadzać bardziej szczegółowe analizy za pomocą gotowego pulpitu nawigacyjnego, aby lepiej zrozumieć odchylenia wydajności w działaniu maszyn i instalacji. Ciągłe cyfrowe zbieranie danych sprawia, że czasochłonne ręczne zbieranie danych staje się zbędne. To nie tylko odciąża pracowników, ale także zmniejsza ryzyko błędów.
Dzięki zastosowaniu rozwiązań MCSA firmy mogą również przewidywać zarówno awarie elektryczne, jak i mechaniczne do 30 procent wcześniej i 25 procent dokładniej niż w przypadku tradycyjnych systemów monitorowania stanu. Funkcja prognozowania wspierana przez AI dostarcza bezpośrednio użytecznych informacji, bez konieczności posiadania rozległej wiedzy fachowej na temat danego systemu lub doświadczenia w dziedzinie nauki o danych.
Ogólnie rzecz biorąc, widać, że połączenie wirtualnej sensoriki, analizy prądu silnika i predykcyjnego utrzymania wspieranego przez AI daje firmom decydującą przewagę w dostępności i efektywności ich instalacji. Wczesne, precyzyjne wglądy w stan krytycznych komponentów umożliwiają nie tylko planowane utrzymanie, ale także redukują ryzyko awarii i koszty operacyjne. W ten sposób cyfrowe, oparte na danych utrzymanie staje się kluczowym czynnikiem sukcesu dla przemysłu produkcyjnego przyszłości.
Kontakt:
