Forudsigende vedligeholdelse og sensordata

Gevinster:

• Evne til at genkende konceptet med forudsigelig vedligeholdelse, vibrations-/temperaturindikatorer og typiske fejltilstande
• Mulighed for at konfigurere anomali, trend og karakteristiske frekvensanalyse i sensortidsserier med AI
• Evne til at krydstjekke AI-fortolkning med fysisk fejlmekanisme, kalibrering og feltinspektion

Forudsigelig vedligeholdelse er en af ​​de applikationer, der giver det højeste afkast i en facilitet ved at reducere planlagt nedetid og forhindre uventede fejlfunktioner ved konstant at overvåge maskinens tilstand og forudsige fejl, før de opstår. I stedet for de klassiske "fix det, når det går i stykker" eller "erstat det efter tidsplan", aflæser vi maskinens faktiske tilstand ud fra sensordata som vibrationer, temperatur, strøm og akustik. Kunstig intelligens (AI) er meget kraftfuld på dette område: anomali (afvigelse fra normal) detektion i tidsseriedata, trendanalyse, fortolkning af karakteristiske fejlfrekvenser og rapportgenerering. Men den "mulige fejlfunktion" givet af AI er en hypotese, ikke en diagnose. Sensoren kan være ødelagt, dens kalibrering kan være slået fra, dataene kan være støjende, og AI kan tildele betydning til et ikke-fysisk mønster. AI-fortolkning før der træffes afgørelse om underholdsbidrag; Den karakteristiske fejlfrekvens skal krydstjekkes med sensorkalibrering, datakvalitet og feltinspektion. I denne enhed lærer du at fortolke sensordata sikkert med AI.

Målte mængder og typiske fejltilstande

Sundheden af ​​roterende maskiner (motor, pumpe, ventilator, leje, gear) aflæses ud fra nogle få grundmængder. Hver mængde er følsom over for visse fejltilstande:

størrelse

følsom over for hvad

Typisk fejltilstand

Vibration (acceleration/hastighed)

Ubalance, forskydning, leje/gear

Ubalance, fejljustering, lejeskade

temperatur

Friktion, tab af smøring, overbelastning

Lejeopvarmning, olienedbrydning

motorstrøm

Elektrisk og mekanisk belastningsændring

Rotorstangsbrud, belastningsanomali

akustisk/ultralyd

For tidlig lejeskade, lækage

Nedbrydning af oliefilm, gaslækage

Det grundlæggende værktøj i vibrationsanalyse er frekvensspektret: vi adskiller tidssignalet i dets frekvenskomponenter med Fourier-transformationen (FFT: den matematiske proces, der adskiller et signal i dets komponentfrekvenser). Hver fejltilstand producerer et toppunkt ved en karakteristisk frekvens. For eksempel opstår ubalance ved rotationsfrekvensen (1X), akseforskydning forekommer for det meste ved 2X, og lejeskader forekommer ved specielle frekvenser afhængigt af lejegeometrien (såsom BPFO, BPFI, BSF).

Tip: Inden du får AI til at fortolke spektret, skal du angive maskinens rotationshastighed (RPM) og lejenummer, hvis det er relevant. Karakteristiske fejlfrekvenser kan ikke beregnes uden denne information; uden dem forbliver AI's fortolkning af "lejefejl" i luften.

Anomali, trend og falsk alarm

AI gør to ting godt i tidsserier: anomalidetektion (pludselige afvigelser) og trendanalyse (langsomt henfald). Men der er to fælder. Den første er en falsk positiv: støj, en midlertidig belastningsændring eller sensorvibration kan se ud til at være den egentlige fejl. Den anden er en falsk negativ: en langsom, gradvis forringelse kan overses, fordi den forbliver inden for det "normale område". En god overvågning sporer også ændringen baseret på maskinens egen historie (baseline) frem for den absolutte tærskel.

Forsigtig: En sensor i sig selv kan svigte. Mens en temperatursensor, der er ude af kalibrering, kan give en "overophednings"-alarm, er maskinen helt normal; eller et løst accelerometer frembringer falske vibrationer. Hvad AI ser er blot data; Feltkontrol fortæller dig, om datakilden er pålidelig. "Bekræft sensor først" er den første regel for forudsigelig vedligeholdelse.

Trin for trin: Fortolkning af sensordata med AI

1. Giv konteksten. Maskintype, RPM, leje/gear information, målepunkt.
2. Tjek datakvaliteten. Er prøveudtagningsfrekvensen tilstrækkelig, mangler der/udlignere?
3. Bestem basislinjen. Hvordan ser en sund tilstand ud?
4. Få anomalien/tendensen udtrukket. Marker afvigelse og trend med AI.
5. Anmod om fysisk tolkning. Hvilken fejltilstand, ved hvilken frekvens, hvorfor?
6. Bekræft i feltet. Kalibrering, visuel/taktil kontrol, anden måling om nødvendigt.

Spektrum fortolkning prompt

Rolle: Vibrationsanalyse (tilstandsovervågning) specialist.Kontekst: En centrifugalpumpe, der roterer ved 1450 RPM, drivendeleje 6206.Data: spidsfrekvenser i vibrationshastighedsspektret [liste, Hz og amplitude].Opgave: Korreler hver spids med den mulige fejltilstand (1X ubalance, BPFO, etc.). Beregn de karakteristiske lejefrekvenser med RPM og 6206 geometri, angiv de frekvenser du viser. Regel: Dette er en HYPOTESE; For hver kommentar skal du skrive, hvordan jeg bekræfter den i feltet.

Anomali/trendanalyse prompt

Analyser følgende temperaturtidsserier: [dato, liste over værdier].- Hvad er basislinjen (normalområdet)?- Er der anomalier (pludselig afvigelse), hvornår?- Er der en langsomt stigende tendens, hvad er hældningen?Regel: Vurder risikoen for falske positiver; Hvilken yderligere kontrol vil du anbefale for at skelne mellem sensorfejl og reel overophedning?

Forespørgsel om datakvalitet og sensorbekræftelse

Samplingfrekvensen i denne jittermåling er 2 kHz. Den højeste fejlfrekvens, jeg er interesseret i, er ~800 Hz. Er denne prøveudtagning tilstrækkelig (Nyquist), kommenter. Symptomer på pludselige spring og klipning i dataene er som følger: [beskrivelse]. Kan disse være rigtige signaler eller sensor/optagelsesfejl, hvordan kan jeg skelne?

Udkast til beslutning om vedligeholdelse

Skriv et udkast til vedligeholdelsesanbefaling baseret på følgende resultater: [fund]. Opdel din anbefaling i tre niveauer: stop øjeblikkeligt, inspicér ved planlagt vedligeholdelse, fortsæt overvågning. Skriv begrundelse og feltbekræftelse for hvert niveau. Regel: Den kompetente vedligeholdelsesingeniør træffer den endelige beslutning; anføre dette.

Svag prompt / stærk prompt

Svag prompt:

Er denne vibration høj?

Ingen maskintype, omdrejningstal, måleenhed, basislinje- og lejeoplysninger; AI kan ikke sige "høj/lav", selvom den gør det, er den ikke understøttet.

Kraftig prompt:

1450 RPM centrifugalpumpe, leje 6206, drevende måling. Vibrationshastighedsspektrum spidsfrekvenser: [liste]. Tilknyt hver peak med en mulig fejltilstand, beregn og vis karakteristiske lejefrekvenser. Angiv, at hver kommentar er en hypotese, og skriv, hvordan den bekræftes i feltet. Overvej også muligheden for sensorfejl.

Den anden prompt indeholder maskinens kontekst, spektrumdata og verifikationsanmodning; Den placerer fortolkningen som en hypotese.

Tre minietuier (efter numre)

Case 1 - Karakteristisk frekvensverifikation. På den ene pumpe kommenterer AI'en "indre ringfejl (BPFI)". Ingeniøren beregner BPFI med 1450 RPM (24,2 Hz) og 6206 lejegeometri: ~131 Hz. Toppen i spektret er faktisk omkring ~130 Hz og har harmoniske. Fortolkningen stemmer overens med den karakteristiske frekvens; Ingeniøren skiller lejet ad under planlagt vedligeholdelse og finder gruber på inderringen. Bekræftelse gør hypotesen til en diagnose.

Tilfælde 2 - Falsk alarm. På den ene blæser giver temperatursensoren en 95°C alarm, AI siger "lejer overophedning". Feltholdet foretager en manuel kontrol: sengen er varm, normal. Sensorforbindelsen er løs, kalibreringen er forskudt. Faktisk temperatur ~55°C. Når sensoren strammes og kalibreres, forsvinder alarmen. Hvis AI-fortolkningen blev fulgt blindt, ville en solid seng blive demonteret unødigt. Lektion: Bekræft først sensoren.

Case 3 - At fange den langsomme tendens. Den absolutte vibrationstærskel overskrides ikke i en gearkasse, men AI viser amplitude, der stiger med ~6% pr. uge på en 8-ugers trend. Ved ekstrapolering forudsiges det, at tærsklen vil blive overskredet om ~5 uger. Under det planlagte stop analyserer holdet olien, finder metalpartiklen og udskifter gearet på en kontrolleret måde; Uventet stop forhindres. Lektion: tendensen advarer før den absolutte tærskel.

Almindelige fejl

• Beder om kommentarer uden kontekst: Fortolkning af spektret uden RPM og bærende information.
• Ikke verificering af sensoren: Forkert en kalibrerings-/tilslutningsfejl som en reel funktionsfejl.
• At tage fejl af en hypotese for en diagnose: Oversættelse af AI-fortolkning til en vedligeholdelsesbeslutning uden feltkontrol.
• Ser kun på den absolutte tærskel: Mangler trenden med langsomt henfald.
• Undersampling: Forsømmer Nyquist-reglen og overser højfrekvente fejl.
• Overreaktion på falsk positiv: Forveksler støjen med en reel funktionsfejl og standser den sunde maskine.

Sammenfattende

• Forudsigelig vedligeholdelse aflæser maskinens status fra sensorer såsom vibration, temperatur og strøm og forudsiger fejl på forhånd.
• I vibrationsspektret producerer hver fejltilstand en top ved en karakteristisk frekvens; Kommentaren kræver RPM og viden.
• Fejltolkningen givet af AI er en hypotese; Den karakteristiske frekvens skal verificeres ved kalibrering og markinspektion.
• Selve sensoren kan svigte; "bekræft sensor først" er den første regel.
• Tendensen er lige så vigtig som den absolutte tærskel; Langsom nedbrydning giver tidlig advarsel. Vedligeholdelsesbeslutningen tilhører den kompetente ingeniør.

Ansøgningsopgave

Vælg en roterende maskine (pumpe, ventilator, motor). Skriv maskinens RPM og lejenummer ned, hvis det er relevant. Tag en faktisk eller prøve vibrationsspektrum / temperatur-tidsserie og få AI'en til at fortolke det med dens kontekst. For hver fejlhypotese, som AI viser: tjek selv den karakteristiske frekvens (bekræft BPFO/BPFI-beregningen, hvis den er pejling), evaluer muligheden for sensorfejl og skriv, hvordan du vil verificere den i marken. Til sidst skal du destillere resultaterne til en anbefaling på tre niveauer (stop øjeblikkeligt / inspicer efter tidsplan / fortsæt overvågning) og angiv, hvorfor den endelige vedligeholdelsesbeslutning forbliver hos den kvalificerede ingeniør.

tjekliste

• [ ] Maskinkonteksten (type, RPM, leje/gear, målepunkt) er angivet.
• [ ] Datakvalitet og prøveudtagningsfrekvens (Nyquist) kontrolleret.
• [ ] Fejlfrekvenserne vist af AI blev verificeret ved karakteristisk frekvensberegning.
• [ ] Mulighed for sensorkalibrering/tilslutningsfejl vurderet.
• [ ] Ud over den absolutte tærskel blev tendensen også undersøgt.
• [ ] Kommentar bekræftet af markinspektion; Vedligeholdelsesbeslutningen blev overladt til den kompetente ingeniør.