تعمیر و نگهداری پیش بینی و داده های حسگر

سود:

• توانایی تشخیص مفهوم تعمیر و نگهداری پیش بینی، نشانگرهای لرزش/دما و حالت های خرابی معمولی
• قابلیت پیکربندی آنومالی، روند و تحلیل فرکانس مشخصه در سری های زمانی حسگر با هوش مصنوعی
• امکان بررسی متقاطع تفسیر هوش مصنوعی با مکانیسم شکست فیزیکی، کالیبراسیون و بازرسی میدانی

تعمیر و نگهداری پیش‌بینی‌کننده یکی از کاربردهایی است که با کاهش زمان توقف برنامه‌ریزی‌شده و جلوگیری از خرابی‌های غیرمنتظره با نظارت مداوم بر وضعیت دستگاه و پیش‌بینی خرابی قبل از وقوع، بالاترین بازده را در یک تأسیسات فراهم می‌کند. به جای رویکردهای کلاسیک "در صورت خرابی آن را تعمیر کنید" یا "آن را طبق برنامه تعویض کنید"، وضعیت واقعی دستگاه را از داده های حسگر مانند لرزش، دما، جریان و آکوستیک می خوانیم. هوش مصنوعی (AI) در این زمینه بسیار قدرتمند است: تشخیص ناهنجاری (انحراف از نرمال) در داده‌های سری زمانی، تحلیل روند، تفسیر فرکانس‌های خطای مشخصه و تولید گزارش. اما "عیب احتمالی" ارائه شده توسط هوش مصنوعی یک فرضیه است، نه یک تشخیص. حسگر ممکن است خراب باشد، کالیبراسیون آن ممکن است خاموش باشد، داده ها ممکن است نویز داشته باشند، و هوش مصنوعی ممکن است به یک الگوی غیر فیزیکی معنا بدهد. تفسیر هوش مصنوعی قبل از تصمیم گیری در مورد تعمیر و نگهداری؛ فرکانس خطای مشخصه باید با کالیبراسیون سنسور، کیفیت داده و بازرسی میدانی بررسی شود. در این بخش، یاد خواهید گرفت که به طور ایمن داده های حسگر را با هوش مصنوعی تفسیر کنید.

مقادیر اندازه گیری شده و حالت های شکست معمولی

سلامت ماشین های دوار (موتور، پمپ، فن، یاتاقان، دنده) از چند کمیت اصلی خوانده می شود. هر کمیت به حالت های خرابی خاصی حساس است:

اندازه

حساس به چی

حالت شکست معمولی

لرزش (شتاب/سرعت)

عدم تعادل، ناهماهنگی، بلبرینگ/دنده

عدم تعادل، ناهماهنگی، آسیب بلبرینگ

دما

اصطکاک، از دست دادن روغن کاری، اضافه بار

گرمایش یاتاقان، تخریب روغن

جریان موتور

تغییر بار الکتریکی و مکانیکی

شکستگی میله روتور، ناهنجاری بار

آکوستیک/سونوگرافی

آسیب زودرس بلبرینگ، نشتی

تخریب فیلم روغن، نشت گاز

ابزار اساسی در تحلیل ارتعاش، طیف فرکانس است: ما سیگنال زمان را با تبدیل فوریه به اجزای فرکانس آن جدا می کنیم (FFT: فرآیند ریاضی که سیگنال را به فرکانس های جزء آن جدا می کند). هر حالت خرابی یک پیک در یک فرکانس مشخص ایجاد می کند. به عنوان مثال، عدم تعادل در فرکانس چرخش (1X)، ناهماهنگی محور بیشتر در 2X رخ می دهد، و آسیب یاتاقان در فرکانس های خاص بسته به هندسه یاتاقان (مانند BPFO، BPFI، BSF) ظاهر می شود.

نکته: قبل از اینکه هوش مصنوعی طیف را تفسیر کند، در صورت وجود، سرعت چرخش (RPM) و شماره بلبرینگ دستگاه را بدهید. فرکانس های خطای مشخصه را نمی توان بدون این اطلاعات محاسبه کرد. بدون آنها، تعبیر هوش مصنوعی از "شکست بلبرینگ" در هوا باقی می ماند.

ناهنجاری، روند و هشدار کاذب

هوش مصنوعی دو کار را در سری های زمانی به خوبی انجام می دهد: تشخیص ناهنجاری (انحرافات ناگهانی) و تجزیه و تحلیل روند (واپاشی آهسته). اما دو تله وجود دارد. اولین مورد مثبت کاذب است: ممکن است به نظر برسد که سر و صدا، تغییر موقت بار یا لرزش سنسور نقص واقعی است. دومی یک منفی کاذب است: یک زوال تدریجی و آهسته ممکن است نادیده گرفته شود زیرا در "محدوده طبیعی" باقی می ماند. یک نظارت خوب همچنین تغییر را بر اساس تاریخچه خود ماشین (خط پایه) به جای آستانه مطلق ردیابی می کند.

احتیاط: خود سنسور ممکن است از کار بیفتد. در حالی که یک سنسور دمای خارج از کالیبراسیون ممکن است هشدار "گرمای بیش از حد" بدهد، دستگاه کاملاً عادی است. یا یک شتاب سنج شل ارتعاش کاذب تولید می کند. آنچه هوش مصنوعی می بیند فقط داده است. کنترل فیلد به شما می گوید که آیا منبع داده قابل اعتماد است یا خیر. "ابتدا سنسور را تایید کنید" اولین قانون نگهداری پیش بینی شده است.

گام به گام: تفسیر داده های حسگر با هوش مصنوعی

1. زمینه را بیان کنید. نوع ماشین، RPM، اطلاعات بلبرینگ/دنده، نقطه اندازه گیری.
2. کیفیت داده ها را بررسی کنید آیا فرکانس نمونه برداری کافی است، آیا موارد گمشده/فرت وجود دارد؟
3. خط پایه را تعیین کنید. حالت سالم چگونه به نظر می رسد؟
4. ناهنجاری/روند استخراج شود. انحراف و روند را با هوش مصنوعی مشخص کنید.
5. درخواست تفسیر فیزیکی کدام حالت خرابی، در چه فرکانسی، چرا؟
6. در زمینه تأیید کنید. کالیبراسیون، بررسی بصری/لمسی، اندازه گیری دوم در صورت لزوم.

اعلان تفسیر طیف

نقش: متخصص آنالیز ارتعاش (پایش وضعیت). زمینه: یک پمپ گریز از مرکز با چرخش 1450 دور در دقیقه، یاتاقان انتهایی درایو 6206. داده ها: فرکانس های اوج در طیف سرعت ارتعاش [لیست، هرتز و دامنه]. وظیفه: ارتباط هر پیک با حالت نامتوازن احتمالی، نامحسوس بودن محور،XX BPFO/BPFI و غیره). فرکانس های بلبرینگ مشخصه را با RPM و هندسه 6206 محاسبه کنید، فرکانس هایی را که نشان می دهید بیان کنید. قانون: این یک فرضیه است. برای هر نظر، نحوه تأیید آن را در فیلد بنویسید.

درخواست تحلیل ناهنجاری/روند

سری زمانی دمای زیر را تجزیه و تحلیل کنید: [تاریخ، فهرست مقادیر].- خط پایه (محدوده نرمال) چیست؟- آیا ناهنجاری (انحراف ناگهانی)، چه زمانی وجود دارد؟- آیا روند به آرامی در حال افزایش است، شیب چقدر است؟ قانون: ارزیابی خطر مثبت کاذب. چه بررسی اضافی را برای تشخیص خطای سنسور و گرمای بیش از حد واقعی توصیه می کنید؟

درخواست تأیید کیفیت داده و سنسور

فرکانس نمونه برداری در این اندازه گیری جیتر 2 کیلوهرتز است. بالاترین فرکانس خطای مورد علاقه من ~800 هرتز است. آیا این نمونه برداری کافی است (Nyquist)، نظر دهید. علائم پرش های ناگهانی و برش داده ها به شرح زیر است: [توضیح]. آیا اینها می توانند سیگنال های واقعی یا خطاهای حسگر/ضبط باشند، چگونه می توانم تشخیص دهم؟

پیش نویس تصمیم تعمیر و نگهداری

پیش نویس توصیه نگهداری را بر اساس یافته های زیر بنویسید: [یافته ها]. توصیه خود را به سه سطح تقسیم کنید: بلافاصله توقف کنید، در تعمیر و نگهداری برنامه ریزی شده بازرسی کنید، نظارت را ادامه دهید. توجیه و تایید میدانی را برای هر سطح بنویسید. قانون: مهندس تعمیر و نگهداری ذیصلاح تصمیم نهایی را خواهد گرفت. این را بیان کنید

اعلان ضعیف / اعلان قوی

اعلان ضعیف:

آیا این لرزش زیاد است؟

بدون نوع ماشین، RPM، واحد اندازه گیری، پایه و اطلاعات بلبرینگ؛ هوش مصنوعی نمی تواند بگوید "بالا/کم"، حتی اگر بگوید، پشتیبانی نمی شود.

اعلان قدرتمند:

پمپ گریز از مرکز 1450 دور در دقیقه، بلبرینگ 6206، اندازه گیری انتهای درایو. فرکانس های اوج طیف سرعت ارتعاش: [لیست]. هر پیک را با حالت خرابی احتمالی مرتبط کنید، فرکانس های یاتاقان مشخصه را محاسبه و نمایش دهید. بیان کنید که هر نظر یک فرضیه است و نحوه تأیید آن را در فیلد بنویسید. احتمال خطای سنسور را نیز در نظر بگیرید.

اعلان دوم شامل زمینه ماشین، داده های طیف و درخواست تأیید است. این تفسیر را به عنوان یک فرضیه قرار می دهد.

سه مورد کوچک (بر اساس اعداد)

مورد 1 - تأیید فرکانس مشخصه. در یک پمپ، هوش مصنوعی "شکست حلقه داخلی (BPFI)" را بیان می کند. مهندس BPFI را با 1450 RPM (24.2 هرتز) و هندسه یاتاقان 6206 محاسبه می کند: ~ 131 هرتز. پیک در طیف در واقع حدود ~130 هرتز است و دارای هارمونیک است. تفسیر با فراوانی مشخصه مطابقت دارد. مهندس در طول تعمیر و نگهداری برنامه ریزی شده یاتاقان را جدا می کند و حفره روی حلقه داخلی پیدا می کند. تایید فرضیه را به تشخیص تبدیل می کند.

مورد 2 - هشدار کاذب. در یک فن، سنسور دما هشدار 95 درجه سانتیگراد را می دهد، هوش مصنوعی می گوید "بیش از حد یاتاقان". تیم صحرایی یک بررسی دستی انجام می دهد: تخت گرم است، عادی است. اتصال سنسور شل است، کالیبراسیون تغییر کرده است. دمای واقعی ~55 درجه سانتیگراد هنگامی که سنسور سفت و کالیبره می شود، هشدار ناپدید می شود. اگر تفسیر هوش مصنوعی کورکورانه دنبال می شد، یک بستر جامد بی جهت از بین می رفت. درس: ابتدا سنسور را بررسی کنید.

مورد 3 - گرفتن روند کند. آستانه ارتعاش مطلق در یک گیربکس تجاوز نمی کند، اما هوش مصنوعی نشان می دهد دامنه در یک روند 8 هفته ای ~ 6٪ در هفته افزایش می یابد. با برون یابی، پیش بینی می شود که در عرض 5 هفته از آستانه فراتر رود. در طول توقف برنامه ریزی شده، تیم روغن را تجزیه و تحلیل می کند، ذرات فلز را پیدا می کند و چرخ دنده را به صورت کنترل شده جایگزین می کند. از توقف غیرمنتظره جلوگیری می شود. درس: روند قبل از آستانه مطلق هشدار می دهد.

اشتباهات رایج

• درخواست نظرات بدون زمینه: تفسیر طیف بدون RPM و حاوی اطلاعات.
• عدم تأیید سنسور: اشتباه گرفتن خطای کالیبراسیون/اتصال به عنوان یک نقص واقعی.
• اشتباه فرضیه برای تشخیص: ترجمه تفسیر هوش مصنوعی به تصمیم تعمیر و نگهداری بدون کنترل میدانی.
• نگاه کردن فقط به آستانه مطلق: از دست دادن روند فروپاشی کند.
• نمونه برداری کم: نادیده گرفتن قانون Nyquist و نادیده گرفتن خطای فرکانس بالا.
• واکنش بیش از حد به مثبت کاذب: اشتباه گرفتن صدا با یک نقص واقعی و متوقف کردن دستگاه سالم.

به طور خلاصه

• تعمیر و نگهداری پیش بینی وضعیت دستگاه را از حسگرهایی مانند لرزش، دما و جریان می خواند و خرابی را از قبل پیش بینی می کند.
• در طیف ارتعاش، هر حالت خرابی یک پیک در یک فرکانس مشخص ایجاد می کند. نظر نیاز به RPM و دانش دارد.
• تفسیر خطا ارائه شده توسط هوش مصنوعی یک فرضیه است. فرکانس مشخصه باید با کالیبراسیون و بازرسی میدانی تأیید شود.
• خود سنسور ممکن است از کار بیفتد. "اول حسگر را تایید کنید" اولین قانون است.
• روند به اندازه آستانه مطلق مهم است. تخریب آهسته هشدار اولیه می دهد. تصمیم تعمیر و نگهداری متعلق به مهندس صالح است.

وظیفه کاربردی

ماشین دوار (پمپ، فن، موتور) را انتخاب کنید. در صورت وجود، RPM و شماره بلبرینگ دستگاه را یادداشت کنید. یک سری زمانی طیف ارتعاش/دمای واقعی یا نمونه بگیرید و از هوش مصنوعی بخواهید آن را با زمینه خود تفسیر کند. برای هر فرضیه خرابی، هوش مصنوعی نشان می‌دهد: خودتان فرکانس مشخصه را بررسی کنید (محاسبات BPFO/BPFI را در صورت وجود تأیید کنید)، احتمال خرابی سنسور را ارزیابی کنید و بنویسید که چگونه آن را در میدان تأیید می‌کنید. در نهایت، یافته ها را در یک توصیه سه سطحی تقطیر کنید (توقف فوری / بازرسی در برنامه / ادامه نظارت) و بیان کنید که چرا تصمیم نهایی تعمیر و نگهداری با مهندس واجد شرایط باقی می ماند.

چک لیست

• [ ] زمینه ماشین (نوع، RPM، بلبرینگ/دنده، نقطه اندازه گیری) داده شده است.
• [ ] کیفیت داده و فرکانس نمونه برداری (Nyquist) بررسی شد.
• [ ] فرکانس های خطا نشان داده شده توسط AI با محاسبه فرکانس مشخصه تأیید شد.
• [ ] احتمال خطای کالیبراسیون/اتصال سنسور ارزیابی شد.
• [ ] علاوه بر آستانه مطلق، روند نیز مورد بررسی قرار گرفت.
• [ ] نظر با بازرسی میدانی تایید شد. تصمیم تعمیر و نگهداری به مهندس ذیصلاح واگذار شد.