在预测性维护中实现创新
发布于2023-08-22
过去，企业安排机器的维护工作，只有两种方法：其一是“运行到故障为止”，这种方法不仅成本高昂，还会导致长时间停机；其二是计划性维护，这是一种基于运行时长或使用情况的做法，在设备运行一定时间后建议进行维护。显然，计划性维护是两者之中更好的选择，因为停机时间可以计划在干扰较小的时段进行。
然而，不论设备状况如何，但凡每三个月或每3,000小时就要对设备进行一次维护，可能会导致不必要的成本。于是，预测性维护 (PdM) 便应运而生。
PdM的核心是利用安装在机器上的各种传感器来持续监控设备，以收集实时性能和机器健康数据。然后，管理员就可以利用这些数据来推断设备何时存在故障风险，并采取相应的措施。
测试、测量和监控产品及软件制造商Fluke Reliability的应用专家John Bernet认为，随着人工智能 (AI)、远程分析和软件处理流程的发展，监控设备正变得越来越小。这些设备的制造过程，已经从构建只能收集数据的工具，转变为创建整个数据生态系统。在这个生态系统中，数据被收集并用于分析，从而为操作人员提供有意义的答案。这意味着设计团队和电气工程师都需要了解从传感器获取信息、将其转化为数据，并以软件可以使用的方式进行处理的过程。
Bernet解释说：“数据本身并不重要，重要的是测量的结果，以及从数据中得到的答案。如果你仅仅知道测量结果很高，那并不能说明什么问题……维护团队能够抽出来的时间越来越少，可他们需要做的事情却越来越多……他们需要知道哪里出了问题、如何修复它，以及如何才能让设备正常运行”。
不过，在深入探讨如何使用数据之前，我们先来看看数据是如何收集的。
探索用于PdM的传感器家族
PdM依靠各种传感器来监测设备并收集关键参数的数据。传感器的选择取决于监测的具体资产以及分析所需的数据类型。PdM中常用的传感器包括：
- 振动传感器：可测量旋转机械（如电机、泵和涡轮机）的机械振动。它们能检测到异常振动，而异常振动可能表明存在偏差、轴承磨损或其他机械问题。
- 温度传感器：可监控设备元件的温度，以检测过热或异常的温度变化。它们通常用在电机、变压器和电气连接中，以识别潜在故障。
- 压力传感器：可测量液压系统、空气压缩机或气动设备中的流体压力。它们可以检测到异常的压力水平，这可能表明存在泄漏、堵塞等问题。
- 加速度计：可测量作用在设备上的加速度力。它们通常用于监测可能导致过早磨损或故障的机械振动、冲击或撞击。
- 电流传感器：可测量流经导体或元件的电流。它们可以监控电机电流和功耗，并识别可能表明电气故障或不平衡的异常情况。
- 机油分析传感器：可监测机械设备中润滑油的状况。它们可以检测出金属颗粒或水等污染物，以及可能表明组件磨损或退化的油品特性变化。
- 超声波传感器：可检测设备发出的高频声波。它们可用于泄漏检测、轴承分析，以及发现摩擦或机械异常。
- 红外传感器：又称热传感器或热像仪，可用于测量设备的表面温度。它们可以识别异常的热模式、热点或热梯度，这些可能预示着电气故障或绝缘问题。
- 湿度传感器：可监测设备或环境中的湿度水平。它们能检测到可能导致腐蚀、绝缘退化的高湿度状况或其他与潮湿环境有关的问题。
- 光学传感器：使用光或激光技术来测量距离、位置或对准情况。它们可用于校准检查、位置监控和检测设备尺寸变化。
传感器的具体组合和选择取决于所监测的资产、相关的参数以及PdM计划的要求。
数据收集完成后，基于云的平台可为PdM数据的存储、处理、分析和可视化提供基础设施、工具和服务。它们为数据驱动的见解、机器学习 (ML) 模型和协作工作流提供了可扩展的安全环境。企业可根据自身需求、与现有系统的兼容性、可扩展性需求和安全考虑因素来选择平台。
尽管有各种可用技术，但对资产进行直接目视检查往往是识别可见的缺陷、腐蚀或退化迹象的第一道关卡。所有这些方法都有助于评估状况、检测磨损或污染、评估结构完整性以及识别旋转机械和其他重要资产的潜在故障。
破解PdM面临的挑战
PdM解决方案可以连续读取机器的状况，而不是依靠日历或原始数据来确定维护计划。然后，工程师可根据情况找出问题所在，并提出解决方案。但是，工程师必须确保模型和系统诊断算法的准确性和可靠性，以避免标记出不存在的问题，或者更糟糕的是，完全遗漏确实存在的故障。
虽然人工智能已被证明是PdM的重要工具，但必需明白的是，人类的专业知识以及设备和系统知识仍然必不可少。工程师和维护团队需要对人工智能驱动的见解加以解读、验证相关的预测，并基于人工智能生成的建议做出明智决策。这是一项非常重要的工作。
Bernet解释道，对于电气、振动和温度测量工具，我们以往都十分注重校准和精确度。但是，我们现在已经可以相信数据，因为设备正在做它应该做的事情，而且我们可以开始发现规律。
Bernet举了这样一个例子：Fluke在分析旋转机器、电机、泵、风扇、压缩机和鼓风机的振动方面已有近40年的经验。根据这些模式，他们知道什么是不平衡和错位。这种跟踪记录至关重要，因为诊断的准确性取决于分析数据、建立算法和创建模式规则的人员的经验。只有这样，你才能相信分析结果。
预测PdM的未来
随着PdM在各行各业推广，工程师首先需要成为沟通专家。他们不仅要了解如何从自己制造的工具中获取答案，还要想方设法将这些答案传递给需要的人。在Bernet看来，这些要求归根结底就是要分享来自多种不同测试工具（如振动、电气、热成像）的信息，然后以一种易于获取和理解的实用方式来传递信息。
其次，工程师也越来越需要了解多种多样的数据收集方式。Bernet表示：“[我们需要]在机器上安装无线远程传感器，因为根本没有那么多人可以在实地走来走去收集测量结果——不光人不够，时间也不够。这是每个行业都会遇到的问题。而且实地究竟方不方便操作也是个问题。”
Bernet认为，无论机器位于车间高处、面板后面、相隔很远的地方，还是由于任何原因无法进入，无线远程传感器都可以让数据收集更方便，这些传感器必须连接到通用的软件门户进行通信。这样一来，无论员工身在何处，都可以获取信息。
第三，各种工具必须能够协同工作，不受制于设备的种类和制造商以及使用这些工具的团体。在Bernet看来，所有信息都应进入熟悉的用户界面，这样的界面可以将这些信息与其他系统连接起来。
Bernet表示：“过去，我们所做的一切都是为了收集数据，并将其记录在纸质的日志或图表上，然后储存起来。今天，我们需要找到一种方法来获取数据，在所有人之间共享数据，并以电子方式保存数据。”
企业应使用所有可用的工具，包括智能手机和平板电脑，并让每个人都能获取信息。也就是说，将信息提供给任何需要它来维持业务运行的人，无论他们是公司员工，还是第三方专家。
赋予工程师预测未来的能力
工程师必须了解PdM的整个流程，而非仅仅关注机器。获取和处理来自传感器的数据固然很重要，但重点应该放在分析数据和从中得出的答案上。
随着人工智能、远程分析和软件在测量工具中的集成度不断提高，工程师必须不断熟悉如何有效地使用这些技术。但是，他们还必须了解如何从工具中提取信息，并与利益相关者有效地共享，以便他们准确地了解需要做什么。
作者简介
Traci Browne是一位广受认可和推崇的记者兼作家，专注于制造业和工业应用领域，并且重点关注新兴技术、工程、机器人技术和工业物联网。她曾在《Robotics Business Review》、《NextBot》杂志、《Compoundings》杂志、《Plumbing & Mechanical Engineer》、《Intel IQ》、《Professional Mariner》和《Municipal Sewer and Water Magazine》等刊物上发表过文章。她还为知名的云平台和服务提供商、机器人制造商、跨国运输基础设施、工程、土木工程和建筑施工公司以及跨国技术公司撰写过文章。