Condition monitoring coraz częściej wychodzi poza klasyczne alarmowanie o przekroczeniu wartości granicznej. Dane z czujników mogą być analizowane w sposób ciągły, a wykorzystanie AI pozwala automatycznie wykrywać anomalie, rozpoznawać zmiany w zachowaniu maszyn i wskazywać sygnały wymagające dalszej diagnostyki. Dla automatyki przemysłowej oznacza to przejście od samego pomiaru do bardziej zaawansowanej analizy danych o stanie urządzeń.
Nieplanowane przestoje pozostają jednym z istotnych problemów utrzymania ruchu – ponad dwie trzecie firm przemysłowych doświadcza ich co najmniej raz w miesiącu, wynika z globalnego badania ABB przeprowadzonego wśród 3215 osób odpowiedzialnych za utrzymanie ruchu. Jednym ze sposobów ograniczania tego ryzyka jest ciągłe monitorowanie parametrów pracy maszyn.
Condition Monitoring System (CMS) zbiera dane z czujników i pozwala obserwować ich zmiany w czasie. W przypadku maszyn wirujących szczególne znaczenie ma diagnostyka drgań. Dostarcza ona informacji nie tylko o poziomie wibracji, ale również o charakterze i dynamice sygnału.
Co można wyczytać z sygnału drganiowego?
Samo przekroczenie ustalonego progu nie zawsze wystarcza do oceny stanu maszyny. Znaczenie ma sposób, w jaki zmienia się sygnał, jego częstotliwość, amplituda i charakterystyka. Analiza tych parametrów może pozwolić na rozpoznanie wzorców związanych z określonymi nieprawidłowościami.
– W diagnostyce drganiowej istotne jest nie tylko to, czy wartość wibracji przekracza ustalony próg, ale przede wszystkim to, jak zmienia się sygnał i co te zmiany mogą oznaczać dla stanu maszyny. Analiza jego charakterystyki pozwala wychwycić wzorce typowe m.in. dla niewyważenia, niewspółosiowości czy poluzowania elementów. Dzięki temu monitoring może dostarczyć utrzymaniu ruchu informacji nie tylko o tym, że pojawiło się odchylenie, ale również gdzie szukać jego przyczyny i czy wymaga ono dalszej diagnostyki – mówi Krzysztof Gut, ekspert w dziedzinie wibrodiagnostyki, Inżynier Projektu w ifm electronic.
Czujniki drgań mogą dostarczać wielu parametrów diagnostycznych, a CMS pozwala gromadzić je i obserwować w sposób ciągły. Zamiast analizować pojedynczy odczyt, można więc śledzić zmiany zachodzące podczas pracy urządzenia i porównywać je z jego wcześniejszym zachowaniem.
Od danych z czujników do automatycznej analizy
Ciągły monitoring oznacza jednak również coraz większe zbiory danych. Przy kilku punktach pomiarowych ich ręczna analiza może być możliwa. W przypadku dziesiątek lub setek monitorowanych urządzeń utrzymanie ruchu musi już znaleźć sposób na automatyczne przetwarzanie informacji i wyselekcjonowanie tych sygnałów, które wymagają uwagi. Tutaj pojawia się AI. Algorytmy mogą analizować duże zbiory danych, wykrywać anomalie i zmiany strukturalne, a także śledzić trendy. Pozwala to szukać nie tylko przekroczeń wartości granicznych, ale również odstępstw od typowego zachowania konkretnej maszyny.
– Przy rosnącej liczbie monitorowanych maszyn wyzwaniem staje się nie samo pozyskiwanie danych, ale ich analiza i właściwe ustalenie, które zmiany rzeczywiście wymagają uwagi. Dotyczy to szczególnie sytuacji, gdy utrzymanie ruchu ma do dyspozycji dane z wielu punktów pomiarowych i długich okresów pracy urządzeń. AI może wesprzeć ten proces, automatycznie wyszukując anomalie, zmiany strukturalne i odstępstwa od dotychczasowego zachowania maszyny. W rozwiązaniach takich jak moneo Insights taka analiza może obejmować również trendy czy prognozowanie pozostałego czasu eksploatacji komponentów. Dzięki temu specjalista otrzymuje lepiej wyselekcjonowaną informację i może skupić się na ocenie jej znaczenia dla konkretnego urządzenia – wyjaśnia Krzysztof Gut, ekspert ifm electronic.
Anomalia to sygnał do dalszej analizy
Automatyczne wykrycie anomalii nie oznacza jeszcze awarii ani konieczności zatrzymania maszyny. Znaczenie ma rodzaj zmiany, jej skala i dynamika oraz warunki pracy urządzenia. AI może więc wskazać obszar wymagający uwagi, ale interpretacja wyniku nadal wymaga wiedzy o maszynie i procesie. W praktyce wykryta zmiana może prowadzić do dodatkowej diagnostyki, obserwacji trendu albo zaplanowania prac podczas postoju. Wartość systemu nie polega zatem wyłącznie na wygenerowaniu alarmu, ale na dostarczeniu informacji, która pozwala lepiej ocenić stan urządzenia.
Condition monitoring jako element Asset Health
Dane z wibrodiagnostyki mogą być również łączone z innymi informacjami o pracy maszyny. Takie podejście wpisuje się w szerszą koncepcję Asset Health, w której kondycja urządzenia jest oceniana na podstawie wielu parametrów i zmian zachodzących w czasie. Historia pomiarów pozwala spojrzeć na aktualny odczyt w szerszym kontekście. Dzięki temu można odróżnić chwilowe odstępstwo od zmiany, która wpisuje się w dłuższy trend pogarszania się stanu maszyny.
Od pomiaru do decyzji
Rozwój systemów CMS wspieranych przez AI zmienia więc sposób wykorzystania danych z automatyki. Czujniki dostarczają coraz większej liczby informacji, system monitoringu pozwala je gromadzić i obserwować, a algorytmy pomagają znaleźć w nich wzorce i anomalie. Dla utrzymania ruchu oznacza to możliwość szybszego dotarcia do informacji, które wymagają dalszej analizy. Wibrodiagnostyka pozostaje jednym ze źródeł danych o kondycji maszyn, ale jej wartość rośnie wraz z możliwością ciągłego monitorowania, analizy trendów i automatycznego wykrywania zmian.
AI nie zastępuje diagnostyki ani wiedzy specjalisty. Może natomiast ograniczyć ilość danych, które człowiek musi przeanalizować samodzielnie, i pomóc skierować uwagę tam, gdzie zmiana zachowania maszyny rzeczywiście wymaga sprawdzenia.
