پیاده سازی تعمیر و نگهداری پیش بینی در سیستم های هیدرولیک و پنوماتیک

پیاده سازی استراتژی پیش بینی کننده تعمیر و نگهداری

استقرار موفق نیاز به یک رویکرد سیستماتیک شامل انتخاب سنسور، کسب داده، تجزیه و تحلیل و ادغام با جریان های کاری فعلی دارد. مراحل زیر یک نقشه راه برای تیم های صنعتی فراهم می کند.

تکنولوژی های سنسور و پارامترهای

انتخاب سنسورهای مناسب پایه و اساس برای سیستم های هیدرولیک است، پارامترهای بحرانی شامل:

• Pressure: سنسور در پمپ خروجی، پورت شیر، و محرک inlands تشخیص نشت، انسداد و سایش پمپ ممکن است نشان دهنده شکست مهر و موم.
• نظارت بر دمای مایع به دلیل اصطکاک بیش از حد، سطح مایع کم و یا مسائل سیستم خنک کننده بیش از حد، گرما را تشخیص می دهد.
• نرخ پایین: Coriolis یا توربین متر اندازه جریان حجم را اندازه گیری؛ انحرافات نشت داخلی یا تخریب پمپ را نشان می دهد.
• [[۱] [۱۰] [۱۰] [۱۰] [۱] [۱]] شتاب سنج بر پمپ ها، موتورهای و دریچه های ضبط کننده، حفره و بدخواهی.
• Contamination: ذرات ضد ذرات یا سنسورهای نوری، بقایای را در مایع هیدرولیک تشخیص می دهند، علت اصلی دریچه و شکست محرک.
• انتشار گازهای گلخانه ای: سنسورهای با فرکانس بالا انتشار زود هنگام کرک، مهر و موم abrasion و حباب های حفره را انتخاب می کنند.

برای سیستم های پنوماتیک، پارامترهای مشابهی اعمال می شود، اما با تاکید بر محتوای رطوبت، فشار نقطه، و میزان جریان در سنسور های کیفیت هوا فشرده کمک می کند تا از خوردگی در محرک ها و پورت های اگزوز مسدود شده جلوگیری شود.

تولید کنندگان پیشرو در سنسور مانند اگر الکترونیکی و ارائه واحد های صنعتی درجه با IO-Link ارتباطات آسان برای ادغام آسان در شبکه های کنترل.

خرید و اتصال داده ها

داده های سنسور باید به طور مداوم و قابل اعتماد جمع آوری شوند.دستگاه های Edge یا کنترل کننده های منطقی قابل برنامه ریزی (PLC) داده ها را جمع آوری کرده و فیلتر اولیه را انجام دهند.برای استقرار های بزرگ، دروازه های IoT داده ها را به سرورهای پیش بینی شده یا سیستم عامل های کلیدی ابر منتقل می کنند: نرخ نمونه گیری (بالا برای لرزش، پایین تر برای هماهنگ سازی دما)، در سراسر سنسورها، و سیاست های ذخیره سازی داده (در مقابل جمع آوری).

پروتکل های ارتباطی مانند OPC UA، MQTT یا Modbus ادغام TCP را با سیستم های اتوماسیون موجود تسهیل می کنند. اقدامات امنیت سایبری، از جمله رمزگذاری و تقسیم بندی شبکه، برای محافظت از تکنولوژی عملیاتی از تهدیدات ضروری است.

روش های Data Analytics

داده های سنسور خام بدون تفسیر بی فایده است. تجزیه و تحلیل های پیش بینی شده به چندین دسته تقسیم می شوند:

• نظارت بر اساس محدودیت: زنگ هشدار ساده هنگامی که یک پارامتر بیش از حد از پیش تعیین شده است، موثر برای خطاهای آشکار اما از دست دادن به طور تدریجی تخریب.
• تجزیه و تحلیل سود: ردیابی تغییرات در پارامترهای در طول زمان - مانند افزایش دامنه ارتعاش یا کاهش فشار - تشخیص پیشرفت سایش.
• مدل های یادگیری ماشین: الگوریتم های آموزش دیده در داده های شکست تاریخی می توانند انواع خطا را طبقه بندی کرده و تخمین عمر مفید باقی مانده (RUL) ، جنگل های تصادفی و ماشین های پشتیبان انتخاب های رایج هستند.
• مدل های مبتنی بر فیزیک: دوقلوهای دیجیتال رفتار سیستم را با استفاده از قوانین فیزیکی شبیه سازی می کنند؛ انحراف بین شبیه سازی و داده های واقعی نشان دهنده ناهنجاری است.

برای سیستم های هیدرولیک، یک مطالعه آکادمی در محاسبات عصبی و برنامه های کاربردی 95٪ دقت در پیش بینی شکست پمپ با استفاده از لرزش و داده های فشار همراه با یادگیری عمیق نشان داد.

ادغام با مدیریت تعمیر و نگهداری

بینش پیش بینی کننده باید به یک سیستم مدیریت تعمیر و نگهداری کامپیوتری (CMMS) یا پلت فرم مدیریت دارایی شرکت (EAM) تغذیه کند. سفارشات کار باید به طور خودکار بر اساس نمرات ناهنجاری یا آستانه RUL، با اقدامات توصیه شده و سطوح اولویت بندی نیز پشتیبانی از قابلیت ردیابی: هر رویداد تعمیر و نگهداری می تواند با سابقه سنسور برای بهبود مستمر مدل مرتبط باشد.

برای مثال، تیم های عملیاتی باید قوانین تشدید تنش را تعریف کنند، اگر کاهش فشار بیش از ۱۵ درصد از پایه باشد، بازرسی برنامه در عرض ۴۸ ساعت باعث خاموش شدن سریع تر می شود.این رویکرد ساختار یافته خطر و تقاضای تولید را متعادل می کند.

چالش های اجرایی آینده

علی رغم مزایای آن، پذیرش پیش بینی شده با موانع دنیای واقعی مواجه است. آگاهی از این چالش ها به سازمان ها کمک می کند تا به طور موثر برنامه ریزی کنند.

هزینه های اولیه سرمایه و زیرساخت

نصب سنسور ها در تجهیزات میراث می تواند گران باشد، به ویژه اگر قابلیت عقب نشینی سیستم نیاز به پاره پاره شدن سیستم داشته باشد، علاوه بر این، ذخیره سازی داده ها، منابع محاسباتی و مجوزهای نرم افزار اضافه می شود.با این حال، یک رول مرحله ای - با گروه های دارایی بحرانی شروع می شود - می تواند هزینه ها را گسترش دهد و نشان دهد فروشندگان اولیه ROI در حال حاضر سیستم های تحلیلی مبتنی بر اشتراک را ارائه می دهند که سرمایه گذاری را کاهش می دهد.

کیفیت داده ها و برچسب گذاری

مدل های یادگیری ماشین نیاز به داده های تمیز و برچسب شده از هر دو شرایط طبیعی و شکست دارند.در بسیاری از گیاهان، سوابق شکست تاریخی پراکنده یا ضعیف است.

شکاف مهارت و تغییر فرهنگی

تیم های تعمیر و نگهداری که به رویکردهای برنامه ریزی شده یا واکنشی عادت دارند ممکن است در برابر تصمیم گیری مبتنی بر داده مقاومت کنند.آموزش در تفسیر داده ها، کالیبراسیون سنسور و نرم افزار تجزیه و تحلیل بسیار حیاتی است.تیم های Cross- عملکردی که ترکیب مهندسان قابلیت اطمینان، تحلیلگران داده و پرسنل عملیاتی یک فرهنگ مشترک را تقویت می کنند، تضمین می کند که Inertia سازمانی این ابتکار عمل را متوقف نمی کند.

ادغام پیچیدگی

جمع آوری داده ها از منابع مختلف - سنسور ها، PLC ها، CMMS، ERP و پلتفرم های IoT - نیاز به معماری سیستم قوی دارد.استاندارد در پروتکل های ارتباطی و فرمت های داده باعث کاهش اصطکاک می شود.با یک خلبان در یک مطبوعات هیدرولیک یا خط کمپرسور قبل از مقیاس.

مسیر های آینده

همگرایی IoT صنعتی، محاسبات لبه و هوش مصنوعی، تعمیر و نگهداری پیش بینی شده را در سیستم های قدرت مایع افزایش می دهد.

• تشخیص های خودکار: مدل های AI نه تنها شکست ها را پیش بینی می کنند بلکه اقدامات بهینه سازی صحیح را نیز توصیه می کنند - به عنوان مثال، جایگزینی فیلتر یا تعویض پمپ - بدون دخالت انسان.
• دوقلوهای دیجیتال: شبیه سازی های با قدرت بالا از کل مدارهای هیدرولیک اجازه می دهد تست مجازی از سناریوهای "چه چیزی"، برنامه های تعمیر و نگهداری و بهبود طراحی را اصلاح کند.
• شبکه های سنسور بی سیم: سنسورهای انرژی و شبکه های گسترده ای از انرژی (LoRaWAN، NB-IoT) قابلیت های تجهیزات قدیمی را بدون کابل های سنگریزه فعال می کنند.
• یادگیری اجباری: مدل های آموزش دیده در سراسر سایت های متعدد و یا ناوگان OEM دقت پیش بینی در حالی که حفظ حریم خصوصی داده بهبود می یابد.
• ] اتصال5G: تأخیر فوق العاده کم و پهنای باند بالا از تجزیه و تحلیل زمان واقعی و کنترل سیستم های هیدرولیک بحرانی مانند کسانی که در رباتیک مشترک هستند پشتیبانی می کند.

از آنجایی که این تکنولوژی ها بالغ هستند، نگهداری پیش بینی شده به جای یک سازمان متفاوت تبدیل به یک ویژگی استاندارد خواهد شد که در حال حاضر در ساخت زیرساخت های داده ضروری و قابلیت های تحلیلی بهترین مکان برای استفاده از نوآوری های آینده خواهد بود.

پیاده سازی پیش بینی در سیستم های هیدرولیک و پنوماتیک یک سفر استراتژیک است که تکنولوژی، فرایند و مردم را با شروع اهداف روشن، انتخاب سنسورهای مناسب، اتخاذ تجزیه و تحلیل قوی و ادغام بینش در مورد جریان های کار تعمیر و نگهداری، اپراتورهای صنعتی می توانند به دست آورد قابل توجهی در قابلیت اطمینان، بهره وری هزینه و ایمنی. مسیر پیش رو نیاز سرمایه گذاری و صبر، اما پرداخت پرداخت - تقریبا از بین بردن تلاش های غیر منتظره - به خوبی ارزش شکست.