Виробнича індустрія стикається з викликом експлуатації все більш складних виробничих установок з максимальною доступністю. Прогнозне обслуговування виявилося ключовою технологією для проактивного вирішення проблем зношення та відмов. Критичні компоненти можуть бути заплановано замінені до того, як станеться більша непередбачена зупинка або навіть пошкодження частин машини.
Жодного прогнозу без точного вимірювання
Щоб зробити обґрунтовані прогнози, спочатку потрібно якомога точніше знати фактичний стан системи. Те, що спочатку звучить тривіально, на практиці в машинобудуванні часто є більшою проблемою. Машини та установки стають все складнішими, що ускладнює пряму, безруйнівну вимірювання критичних параметрів, які часто або зовсім неможливі, або ж їх вартість є неприйнятною.
Тут на допомогу приходить віртуальна сенсорика, також відома як м'яка або інференційна сенсорика. Ця технологія дозволяє, спираючись на легко визначувані параметри, робити висновки про бажану величину, яку неможливо або лише з великими зусиллями виміряти фізичними інструментами.
Цікавим прикладом з промисловості є аналіз моторного струму або Motor Current Signature Analytics (MCSA). Метод базується на тому, що струм, споживаний асинхронним двигуном, залежить не лише від прикладеної напруги, але й від стану двигуна та пов'язаних з ним агрегатів. Спотворення в кривій струму, які не можна пояснити спотвореннями в кривій напруги, повинні бути викликані несправностями в системі. За масштабом відхилень вже можна зробити висновок про ступінь серйозності порушення. Але цього недостатньо – інженери хочуть точно знати, де можуть бути потенційні джерела помилок: чи проявляється дисбаланс або пошкодження підшипника, чи виникає кавітація в насосах, чи є помилка статора або ротора? Щоб зробити висновки про конкретні (механічні) проблеми з виміряних кривих струму та напруги, необхідно виявити певні шаблони в відхиленнях та зв'язати їх зі специфічними джерелами помилок.
Машинне навчання та прогнози
Коли мова йде про аналіз великих обсягів даних та виявлення шаблонів, штучний інтелект у поєднанні з підгалуззю машинного навчання може продемонструвати одну з своїх великих переваг. Технологія підтримує команди з обслуговування у реалізації прогнозного обслуговування на основі даних в реальному часі. Таким чином, вони можуть вирішувати, коли і які роботи з обслуговування виконувати, і оптимально координувати їх з навантаженням виробництва.
Завдяки поєднанню MCSA та прогнозного обслуговування на основі ШІ, як це, наприклад, використовується в Motor Analytics від Eaton, команди отримують специфічні прогнози щодо типів відмов для кожного окремого двигуна – у порядку пріоритетності та в більш широкому контексті їх електричної системи. Потім вони можуть за допомогою готової панелі управління проводити більш глибокий аналіз, щоб краще зрозуміти відхилення в роботі машин та установок. Безперервний цифровий збір даних робить трудомісткі ручні вимірювання непотрібними. Це не лише зменшує навантаження на співробітників, але й забезпечує меншу ймовірність помилок.
Завдяки використанню рішень MCSA компанії можуть також прогнозувати як електричні, так і механічні відмови на 30 відсотків раніше та на 25 відсотків точніше, ніж за допомогою традиційних систем моніторингу стану. Функція прогнозування на основі ШІ надає безпосередньо корисні знання, без необхідності в широких спеціалізованих знаннях про відповідну систему або досвіді в галузі науки про дані.
В цілому видно, що поєднання віртуальної сенсорики, аналізу моторного струму та прогнозного обслуговування на основі ШІ надає компаніям вирішальну перевагу в доступності та ефективності їх установок. Раннє, точне розуміння стану критичних компонентів дозволяє не лише планувати обслуговування, але й зменшує ризики відмов та витрати на експлуатацію. Таким чином, цифрове, орієнтоване на дані обслуговування стає центральним фактором успіху для виробничої індустрії майбутнього.
Контакт:
