سنسور های مکانیکی چیست؟

سنسورهای مکانیکی ابزار بنیادی در تولید مدرن هستند که پدیده های فیزیکی مانند لرزش، فشار، دما، نیرو، گشتاور و جابجایی را تشخیص می دهند. این سنسورها انرژی مکانیکی را به سیگنال های الکتریکی تبدیل می کنند، و نظارت بر تجهیزات صنعتی را قادر می سازد، انواع معمول جابجایی، نمونه گیری های zoالکتریک برای لرزش، اندازه گیری فشار برای نیرو و گشتاور، ترمزو برای دما، و دقت اسیدی (حساسی که برای هر نوع سنسور انتخاب شده است).

سنسورهای مکانیکی مدرن به طور فزاینده ای هوشمند هستند، با شرطی سازی سیگنال داخلی، رابط های دیجیتال (I2C، اشپیگل، اتوبوس CAN)، و قابلیت پردازش لبه، آنها اولین لینک را در زنجیره داده تشکیل می دهند که سیستم عامل های تجزیه و تحلیل پیش بینی شده را بدون داده های سنسور قابل اعتماد و با وضوح بالا تغذیه می کند، حتی پیچیده ترین الگوریتم ها نمی توانند پیش بینی های دقیق تولید کنند.

نقش سنسور های مکانیکی در Analytics پیش بینی کننده

تجزیه و تحلیل پیش بینی در تولید مدل های آماری و الگوریتم های یادگیری ماشین برای پیش بینی خرابی تجهیزات، بهینه سازی برنامه های تعمیر و نگهداری، و بهبود اثربخشی کلی تجهیزات (OEE) سنسورهای مکانیکی ارائه می دهد جریان داده های مداوم، دانه های دانه ای که این مدل ها را تغذیه می کند، شامل خرید سنسور، پردازش لبه، انتقال از طریق پروتکل های ارتباطات صنعتی (OPC UA، MQTT، Mod)، ذخیره سازی زمان و تجزیه و تحلیل ابر در سیستم عامل ها و یا سیستم عامل های ابر.

خرید داده ها و Edge Processing

سنسورها پارامترهای فیزیکی نمونه را در نرخ های مختلف از چند هرتز (درجه) تا ده ها کیلوهرتز (شبراسیون) داده های فرکانس بالا اغلب در لبه پردازش می شوند تا مصرف پهنای باند را کاهش دهند و پاسخ های زمان واقعی را فعال کنند. Edge Gatewayها محاسبات را انجام می دهند (RMS، مقادیر اوج، تجزیه و تحلیل طیف مبتنی بر FFT) و انتقال ویژگی های متراکم برای به حداقل رساندن تجزیه و تحلیل های اساسی و تحلیل های عملیاتی.

از داده های خام تا مدل های پیش بینی کننده

سیستم عامل های Analytics از داده های سنسور پیش پردازش شده برای ساخت و به روز رسانی مدل های مشترک استفاده می کنند:

  • ] تجزیه و تحلیل: ویژگی های دامنه فرکانس (به عنوان مثال، فرکانس های خطا، تجهیزات هارمونیک) استخراج و مقایسه در برابر پایه برای تشخیص تخریب.
  • [[۱] [۱۰] [[۱۰]] [[۱۰]] [[۱۰]]]] [[۱۰]]]] افزایش میانگین در موتور یا دمای تحمل ممکن است نشان دهنده شکست یا اضافه بار باشد.
  • ]Pressure and Flow Monitor: دوی در سیستم های هیدرولیک یا پنوماتیک نشت، انسداد یا سایش پمپ را نشان می دهد.
  • مدل های یادگیری ماشین: مدل های سوپرvised (برزیل جنگل، ماشین آلات پشتیبانی، شبکه های عصبی LSTM) الگوهای عملیاتی طبیعی و ناهنجاری های پرچم را یاد بگیرند.

خروجی این مدل ها شامل برآورد های مفید زندگی (RUL)، امتیازات خطر و اقدامات تعمیر و نگهداری توصیه شده همراه با تاریخ تعمیر و نگهداری و برنامه های تولید، این بینش ها به طور واقعی تعمیر و نگهداری مبتنی بر شرایط را فراهم می کند.

مزایای کلیدی نگهداری پیش بینی کننده سنسور-Driven

  • خرابی های بدون برنامه ریزی شده: [FLT 1 ] تشخیص اولیه ناهنجاری ها اجازه می دهد تا نگهداری در هنگام خاموش شدن برنامه ریزی شده انجام شود، جلوگیری از شکست های فاجعه بار که تولید را متوقف می کنند.
  • هزینه های نگهداری پایین تر: جایگزینی قطعات تنها در صورت نیاز به حذف جایگزین های پیشگیرانه غیر ضروری و گسترش زندگی جزء.
  • ایمنی کارکنان بهبود یافته: [FLT 1] نظارت بر شرایط خطرناک ( ارتعاشات غیرضروری، فشار بیش از حد، بیش از حد گرم کردن) هشدار های اولیه برای جلوگیری از حوادث فراهم می کند.
  • ذخیره سازی قطعات یدکی؛ [FLT 1] دانستن اینکه کدام اجزاء به زودی قادر به خرید فقط در زمان، کاهش هزینه حمل و نقل موجودی هستند.
  • کیفیت محصول قابل توجه: وضعیت ماشین ثابت به طور مستقیم بر دقت و پایان سطح تاثیر می گذارد. تجزیه و تحلیل پیش بینی کمک می کند تا ثبات فرایند را حفظ کند.
  • بهره وری انرژی: الگوهای مصرف انرژی غیر عادی که توسط متر های برق شناسایی شده اند و سنسورهای گشتاور می توانند عملیات ناکارآمد را شناسایی کنند و منجر به صرفه جویی در انرژی 5 تا 15 درصد شوند.

برنامه های کاربردی و مطالعات موردی

تجزیه و تحلیل پیش بینی شده توسط سنسورهای مکانیکی در بسیاری از صنایع مستقر شده است:

ساخت ماشین آلات

سلول های جوشکاری رباتی و مراکز ماشینکاری CNC با سنسورهای ارتعاش و دما ساخته شده اند.یک خودروساز بزرگ گزارش داد که کاهش 30٪ در زمان پس از اجرای پیش بینی در خطوط انتقال آن.حساس در هنگام چرخش، هفته های شکست در زمان قبل از تجزیه، اجازه می دهد جایگزین های برنامه ریزی شده در طول تغییر مدل.

نفت و گاز

پمپ ها، کمپرسورها و توربین ها در پالایشگاه ها و خطوط لوله برای لرزش و فشار نظارت می شوند.یک شرکت پیشرو نفت از شتاب سنج ها و پروب های نزدیک در کمپرسورهای سانتریفوژ برای پیش بینی خرابی های مهر و تعادل استفاده می کند.آنها به معنی زمان بین تعمیرات تا 40٪ و اجتناب از حوادث ناخواسته است.

انرژی باد

توربین های بادی مجهز به سنسورهای ارتعاش در گیربکس ها و ژنراتورها داده ها را به یک پلت فرم تجزیه و تحلیل مرکزی منتقل می کنند. نگهداری مبتنی بر شرایط باعث کاهش نرخ شکست گیربکس به 25٪ و کاهش هزینه های عملیاتی در هر مگاوات ساعت می شود. امضاهای ارتعاش کمک می کند تا بین مشکلات روانکاری، پوشیدن سایش و شکستن دندان تمایز قائل شوند.

برای مطالعه بیشتر، راهنمای را در نگهداری پیش بینی شده ببینید و مطالعه موردی از در ادغام سنسور .

چالش های اجرایی

علی رغم مزایای روشن، استفاده از تجزیه و تحلیل پیش بینی مبتنی بر سنسور در مقیاس، موانعی را ارائه می دهد:

  • کیفیت و ادغام داده ها: سنسورها باید به درستی کالیبره و نصب شوند.داده ها از سیستم های ناهمگن (PLC، SCADA، مورخان) باید به یک دریاچه زمانی واحد متصل شوند.
  • امنیت سایبری: سطح حمله گسترده از سنسورهای IoT و دستگاه های لبه نیاز به تأیید قوی، رمزگذاری و به روز رسانی های امن سیستم عامل است.
  • ] هزینه سرمایه گذاری داخلی: ماشین های میراث تجدید پذیر با سنسورها، دروازه ها و نرم افزار تجزیه و تحلیل نیاز به سرمایه گذاری در جلو دارند. محاسبات ROI باید در کاهش خرابی و پس انداز تعمیر و نگهداری، که ممکن است 12 تا 18 ماه طول بکشد.
  • شکاف های مهارت: دانشمندان داده که درک مهندسی مکانیک و یادگیری ماشین آلات نادر است. شرکت ها اغلب نیاز به آموزش مهندسان قابل اعتماد موجود یا شریک زندگی با ارائه دهندگان خارجی دارند.
  • حرکت مدل: ماشین تغییر در طول زمان (لباس، بازسازی، تنظیمات فرایند) مدل های پیش بینی شده باید به صورت دوره ای آموزش داده شوند تا از مثبت کاذب یا شکست های از دست رفته اجتناب کنند.

روندهای آینده در سنسور های مکانیک و Analytics

پیشرفت های تکنولوژیکی متعددی در حال شکل دادن به نسل بعدی تجزیه و تحلیل پیش بینی سنسور است:

Edge AI و TinyML

میکروکنترلرهای کم قدرت در حال حاضر شبکه های عصبی سبک را به طور مستقیم در گره های سنسور اجرا می کنند، این امر پیش بینی های فوق العاده کم عمق (به عنوان مثال، تشخیص شکست قریب الوقوع در ثانیه) را بدون ارسال داده به ابر، Edge AI هزینه پهنای باند را کاهش می دهد و از تصمیم گیری در برنامه های ایمنی بحرانی پشتیبانی می کند.

5G و Private Cellular Networks

ارتباطات با کیفیت بالا (URLLC) اجازه می دهد جریان زمان واقعی از داده های سنسور با فرکانس بالا از صدها سنسور در سراسر کارخانه های بزرگ است. 5G همچنین از تراکم دستگاه عظیم پشتیبانی می کند و نظارت کامل شرایط هر دارایی را امکان پذیر می کند.

دوقلوهای دیجیتال

ترکیب داده های سنسور با شبیه سازی مبتنی بر فیزیک یک دوقلو دیجیتال از ماشین ایجاد می کند. این دوقلو می تواند برای شبیه سازی سناریوهای "چه چیزی" استفاده شود، پارامترهای عملیاتی را بهینه سازی کند و اثر تخریب قطعات را بر عملکرد کلی سیستم پیش بینی کند.این ترکیب تجزیه و تحلیل سنسور یک ابزار قدرتمند برای پیش بینی و نگهداری پیش نویس است.

سنسور های خود-Powered Sensors

فن آوری های برداشت انرژی (piezoالکتریک، ترموالکتریک، فتوولتائیک) اجازه می دهد تا سنسورها بدون باتری کار کنند، و تعمیر و نگهداری خود سنسور را کاهش دهند، این به ویژه در مکان های سخت برای دسترسی مانند چرخش شفت یا مناطق با دمای بالا ارزشمند است.

برای بیشتر در این روند، به بینش صنعتی IoT و تجزیه و تحلیل دوقلوهای دیجیتال در تولید Deloitte مراجعه کنید.

نتیجه گیری

سنسورهای مکانیکی ستون فقرات تجزیه و تحلیل پیش بینی در تولید مدرن هستند.آنها داده های دقیق و زمان واقعی لازم برای پیش بینی شکست ها، بهینه سازی تعمیر و کار را ارائه می دهند، زیرا تکنولوژی سنسور بالغ است - با ابر AI، اتصال 5G و ادغام دوقلو دیجیتال - دقت و دسترسی به تجزیه و تحلیل پیش بینی ادامه خواهد داد به بهبود تولید کنندگان که سرمایه گذاری در زیرساخت سنسور قوی امروز بهترین راه برای دستیابی به فاصله، امن تر شدن و هزینه های رقابتی به طور فزاینده ای در محل کار.