અનુમાનિત જાળવણી અને સેન્સર ડેટા

નફો:

• અનુમાનિત જાળવણી, સ્પંદન/તાપમાન સૂચકાંકો અને લાક્ષણિક નિષ્ફળતા મોડ્સની વિભાવનાને ઓળખવાની ક્ષમતા
• AI સાથે સેન્સર સમય શ્રેણીમાં વિસંગતતા, વલણ અને લાક્ષણિકતા આવર્તન વિશ્લેષણને ગોઠવવાની ક્ષમતા
• ભૌતિક નિષ્ફળતા મિકેનિઝમ, માપાંકન અને ક્ષેત્ર નિરીક્ષણ સાથે AI અર્થઘટનને ક્રોસ-ચેક કરવાની ક્ષમતા

અનુમાનિત જાળવણી એ એક એવી એપ્લિકેશન છે જે આયોજિત ડાઉનટાઇમ ઘટાડીને અને મશીનની સ્થિતિનું સતત નિરીક્ષણ કરીને અને નિષ્ફળતા થાય તે પહેલાં તેની આગાહી કરીને અણધારી ખામીને અટકાવીને સુવિધામાં સૌથી વધુ વળતર આપે છે. ક્લાસિક "જ્યારે તે તૂટી જાય ત્યારે તેને ઠીક કરો" અથવા "શેડ્યૂલ પર તેને બદલો" અભિગમને બદલે, અમે કંપન, તાપમાન, વર્તમાન અને એકોસ્ટિક્સ જેવા સેન્સર ડેટામાંથી મશીનની વાસ્તવિક સ્થિતિ વાંચીએ છીએ. આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) આ ક્ષેત્રમાં ખૂબ જ શક્તિશાળી છે: સમય શ્રેણીના ડેટામાં વિસંગતતા (સામાન્યથી વિચલન) શોધ, વલણ વિશ્લેષણ, લાક્ષણિકતા ફોલ્ટ ફ્રીક્વન્સીઝનું અર્થઘટન અને રિપોર્ટ જનરેશન. પરંતુ AI દ્વારા આપવામાં આવેલ "સંભવિત ખામી" એ એક પૂર્વધારણા છે, નિદાન નથી. સેન્સર તૂટી શકે છે, તેનું માપાંકન બંધ હોઈ શકે છે, ડેટા ઘોંઘાટીયા હોઈ શકે છે અને AI બિન-ભૌતિક પેટર્નને અર્થ સોંપી શકે છે. જાળવણીનો નિર્ણય લેવામાં આવે તે પહેલાં AI અર્થઘટન; લાક્ષણિક ખામીની આવર્તન સેન્સર કેલિબ્રેશન, ડેટા ગુણવત્તા અને ક્ષેત્ર નિરીક્ષણ સાથે ક્રોસ-ચેક થવી જોઈએ. આ યુનિટમાં, તમે AI સાથે સેન્સર ડેટાનું સુરક્ષિત રીતે અર્થઘટન કરવાનું શીખી શકશો.

માપેલ જથ્થાઓ અને લાક્ષણિક નિષ્ફળતા સ્થિતિઓ

ફરતી મશીનો (મોટર, પંપ, પંખો, બેરિંગ, ગિયર) ની તંદુરસ્તી થોડી મૂળભૂત માત્રામાંથી વાંચવામાં આવે છે. દરેક જથ્થા ચોક્કસ નિષ્ફળતા સ્થિતિઓ માટે સંવેદનશીલ હોય છે:

કદ

શું પ્રત્યે સંવેદનશીલ

લાક્ષણિક નિષ્ફળતા મોડ

કંપન (પ્રવેગક/ગતિ)

અસંતુલન, ખોટી ગોઠવણી, બેરિંગ/ગિયર

અસંતુલન, ખોટી ગોઠવણી, બેરિંગ નુકસાન

તાપમાન

ઘર્ષણ, લુબ્રિકેશનનું નુકશાન, ઓવરલોડ

બેરિંગ હીટિંગ, ઓઇલ ડિગ્રેડેશન

મોટર વર્તમાન

ઇલેક્ટ્રિકલ અને મિકેનિકલ લોડમાં ફેરફાર

રોટર બાર ફ્રેક્ચર, લોડ વિસંગતતા

એકોસ્ટિક/અલ્ટ્રાસાઉન્ડ

અકાળ બેરિંગ નુકસાન, લિકેજ

ઓઇલ ફિલ્મ ડિગ્રેડેશન, ગેસ લીક

કંપન વિશ્લેષણમાં મૂળભૂત સાધન ફ્રીક્વન્સી સ્પેક્ટ્રમ છે: અમે સમય સિગ્નલને તેના આવર્તન ઘટકોમાં ફોરિયર ટ્રાન્સફોર્મ (FFT: ગાણિતિક પ્રક્રિયા કે જે સિગ્નલને તેના ઘટક ફ્રીક્વન્સીઝમાં અલગ કરે છે) સાથે અલગ કરીએ છીએ. દરેક નિષ્ફળતા મોડ લાક્ષણિક આવર્તન પર ટોચનું ઉત્પાદન કરે છે. ઉદાહરણ તરીકે, અસંતુલન પરિભ્રમણ આવર્તન (1X) પર દેખાય છે, અક્ષની ખોટી ગોઠવણી મોટે ભાગે 2X પર થાય છે, અને બેરિંગ ભૂમિતિ (જેમ કે BPFO, BPFI, BSF) પર આધાર રાખીને બેરિંગ નુકસાન ખાસ ફ્રીક્વન્સીઝ પર દેખાય છે.

ટીપ: AI દ્વારા સ્પેક્ટ્રમનું અર્થઘટન કરાવતા પહેલા, જો લાગુ હોય તો, મશીનની રોટેશનલ સ્પીડ (RPM) અને બેરિંગ નંબર આપો. આ માહિતી વિના લાક્ષણિકતા દોષ ફ્રીક્વન્સીની ગણતરી કરી શકાતી નથી; તેમના વિના, AI નું "બેરિંગ નિષ્ફળતા" નું અર્થઘટન હવામાં રહે છે.

વિસંગતતા, વલણ અને ખોટા એલાર્મ

AI સમય શ્રેણીમાં બે વસ્તુઓ સારી રીતે કરે છે: વિસંગતતા શોધ (અચાનક વિચલનો) અને વલણ વિશ્લેષણ (ધીમો સડો). પરંતુ ત્યાં બે ફાંસો છે. પ્રથમ ખોટા સકારાત્મક છે: અવાજ, અસ્થાયી લોડ ફેરફાર અથવા સેન્સર વાઇબ્રેશન વાસ્તવિક ખામી હોઈ શકે છે. બીજું ખોટું નકારાત્મક છે: ધીમી, ક્રમિક બગાડ ચૂકી જશે કારણ કે તે "સામાન્ય શ્રેણી" ની અંદર રહે છે. સારી દેખરેખ ચોક્કસ થ્રેશોલ્ડને બદલે મશીનના પોતાના ઇતિહાસ (બેઝલાઇન) પર આધારિત ફેરફારને પણ ટ્રૅક કરે છે.

સાવધાન: સેન્સર પોતે નિષ્ફળ થઈ શકે છે. જ્યારે તાપમાન સેન્સર કેલિબ્રેશનની બહાર છે તે "ઓવરહિટીંગ" એલાર્મ આપી શકે છે, મશીન સંપૂર્ણપણે સામાન્ય છે; અથવા છૂટક એક્સીલેરોમીટર બનાવટી સ્પંદન પેદા કરે છે. AI જે જુએ છે તે માત્ર ડેટા છે; ફીલ્ડ કંટ્રોલ તમને જણાવે છે કે ડેટાનો સ્ત્રોત વિશ્વસનીય છે કે કેમ. “પહેલા સેન્સર ચકાસો” એ અનુમાનિત જાળવણીનો પ્રથમ નિયમ છે.

સ્ટેપ બાય સ્ટેપ: AI સાથે સેન્સર ડેટાનું અર્થઘટન

1. સંદર્ભ આપો. મશીન પ્રકાર, RPM, બેરિંગ/ગિયર માહિતી, માપન બિંદુ.
2. ડેટા ગુણવત્તા તપાસો. શું સેમ્પલિંગ આવર્તન પર્યાપ્ત છે, શું ત્યાં કોઈ ગુમ/આઉટલીયર છે?
3. આધારરેખા નક્કી કરો. તંદુરસ્ત સ્થિતિ કેવી દેખાય છે?
4. વિસંગતતા/ચલણ બહાર કાઢો. AI સાથે વિચલન અને વલણને ચિહ્નિત કરો.
5. ભૌતિક અર્થઘટનની વિનંતી કરો. કયા નિષ્ફળતા મોડ, કઈ આવર્તન પર, શા માટે?
6. ક્ષેત્રમાં ચકાસો. માપાંકન, દ્રશ્ય/સ્પર્શક તપાસ, જો જરૂરી હોય તો બીજું માપ.

સ્પેક્ટ્રમ અર્થઘટન પ્રોમ્પ્ટ

ભૂમિકા: કંપન વિશ્લેષણ (કન્ડિશન મોનિટરિંગ) નિષ્ણાત. સંદર્ભ: 1450 RPM પર ફરતો એક કેન્દ્રત્યાગી પંપ, ડ્રાઇવ એન્ડ બેરિંગ 6206. ડેટા: વાઇબ્રેશન સ્પીડ સ્પેક્ટ્રમ [સૂચિ, Hz અને કંપનવિસ્તાર] માં પીક ફ્રીક્વન્સીઝ. કાર્ય: દરેક નિષ્ફળતા એક X2 સાથે સંભવિત શિખરને સાંકળો, એક્સ 2 સાથે સંભવિત શિખરો ખોટી ગોઠવણી, બેરિંગ BPFO/BPFI વગેરે). RPM અને 6206 ભૂમિતિ સાથે લાક્ષણિક બેરિંગ ફ્રીક્વન્સીઝની ગણતરી કરો, તમે બતાવો છો તે ફ્રીક્વન્સીઝ જણાવો. નિયમ: આ એક હાયપોથેસીસ છે; દરેક ટિપ્પણી માટે, હું તેને ક્ષેત્રમાં કેવી રીતે ચકાસું તે લખો.

વિસંગતતા/ચલણ વિશ્લેષણ પ્રોમ્પ્ટ

નીચેની તાપમાન સમય શ્રેણીનું વિશ્લેષણ કરો: [તારીખ, મૂલ્યોની સૂચિ].- આધારરેખા (સામાન્ય શ્રેણી) શું છે?- શું ત્યાં વિસંગતતાઓ છે (અચાનક વિચલન), ક્યારે?- શું ધીમે ધીમે વધતો વલણ છે, ઢાળ શું છે? નિયમ: ખોટા હકારાત્મકના જોખમનું મૂલ્યાંકન કરો; સેન્સરની ભૂલ અને વાસ્તવિક ઓવરહિટીંગ વચ્ચે તફાવત કરવા માટે તમે કયા વધારાના ચેકની ભલામણ કરશો?

ડેટા ગુણવત્તા અને સેન્સર ચકાસણી પ્રોમ્પ્ટ

આ જિટર માપનમાં નમૂનાની આવર્તન 2 kHz છે. મને રુચિ છે તે સૌથી વધુ ફોલ્ટ ફ્રીક્વન્સી ~800 Hz છે. શું આ સેમ્પલિંગ પર્યાપ્ત છે (Nyquist), ટિપ્પણી. ડેટામાં અચાનક કૂદકા અને ક્લિપિંગના લક્ષણો નીચે મુજબ છે: [વર્ણન]. શું આ વાસ્તવિક સંકેતો અથવા સેન્સર/રેકોર્ડિંગ ભૂલો હોઈ શકે છે, હું કેવી રીતે અલગ કરી શકું?

જાળવણી નિર્ણય ડ્રાફ્ટ પ્રોમ્પ્ટ

નીચેના તારણો પર આધારિત ડ્રાફ્ટ જાળવણી ભલામણ લખો: [તારણો]. તમારી ભલામણને ત્રણ સ્તરોમાં વિભાજીત કરો: તરત જ રોકો, સુનિશ્ચિત જાળવણી પર તપાસ કરો, મોનિટરિંગ ચાલુ રાખો. દરેક સ્તર માટે વાજબીતા અને ફીલ્ડ વેરિફિકેશન લખો. નિયમ: સક્ષમ જાળવણી ઇજનેર અંતિમ નિર્ણય લેશે; આ જણાવો.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

શું આ કંપન વધારે છે?

કોઈ મશીન પ્રકાર, RPM, માપન એકમ, આધારરેખા અને બેરિંગ માહિતી નથી; AI "ઉચ્ચ/નીચું" કહી શકતું નથી, તેમ છતાં તે અસમર્થિત છે.

શક્તિશાળી પ્રોમ્પ્ટ:

1450 RPM સેન્ટ્રીફ્યુગલ પંપ, બેરિંગ 6206, ડ્રાઇવ એન્ડ મીટરિંગ. કંપન વેગ સ્પેક્ટ્રમ પીક ફ્રીક્વન્સીઝ: [સૂચિ]. દરેક શિખરને સંભવિત નિષ્ફળતા મોડ સાથે સાંકળો, લાક્ષણિક બેરિંગ ફ્રીક્વન્સીની ગણતરી કરો અને પ્રદર્શિત કરો. જણાવો કે દરેક ટિપ્પણી એક પૂર્વધારણા છે અને તેને ક્ષેત્રમાં કેવી રીતે ચકાસવું તે લખો. સેન્સરની ભૂલની શક્યતાને પણ ધ્યાનમાં લો.

બીજા પ્રોમ્પ્ટમાં મશીન સંદર્ભ, સ્પેક્ટ્રમ ડેટા અને ચકાસણી વિનંતી શામેલ છે; તે અર્થઘટનને પૂર્વધારણા તરીકે સ્થાન આપે છે.

ત્રણ મિની કેસ (નંબર દ્વારા)

કેસ 1 - લાક્ષણિકતા આવર્તન ચકાસણી. એક પંપ પર AI ટિપ્પણી કરે છે "ઇનર રિંગ ફેલ્યોર (BPFI)". એન્જિનિયર 1450 RPM (24.2 Hz) અને 6206 બેરિંગ ભૂમિતિ સાથે BPFI ની ગણતરી કરે છે: ~131 Hz. સ્પેક્ટ્રમમાં ટોચ વાસ્તવમાં ~130 હર્ટ્ઝની આસપાસ છે અને તેમાં હાર્મોનિક્સ છે. અર્થઘટન લાક્ષણિકતા આવર્તન સાથે સુસંગત છે; ઇજનેર આયોજિત જાળવણી દરમિયાન બેરિંગને ડિસએસેમ્બલ કરે છે અને આંતરિક રિંગ પર ખાડો શોધે છે. પુષ્ટિકરણ પૂર્વધારણાને નિદાનમાં ફેરવે છે.

કેસ 2 - ખોટું એલાર્મ. એક પંખા પર, તાપમાન સેન્સર 95°C એલાર્મ આપે છે, AI કહે છે "બેરિંગ ઓવરહિટીંગ". ફીલ્ડ ટીમ જાતે તપાસ કરે છે: પલંગ ગરમ, સામાન્ય છે. સેન્સર કનેક્શન ઢીલું છે, કેલિબ્રેશન શિફ્ટ થયું છે. વાસ્તવિક તાપમાન ~55°C. જ્યારે સેન્સરને કડક અને માપાંકિત કરવામાં આવે છે, ત્યારે એલાર્મ અદૃશ્ય થઈ જાય છે. જો AI અર્થઘટનને આંધળાપણે અનુસરવામાં આવે તો, એક નક્કર પલંગ બિનજરૂરી રીતે તોડી નાખવામાં આવશે. પાઠ: પહેલા સેન્સર ચકાસો.

કેસ 3 - ધીમા વલણને પકડવું. ગિયરબોક્સમાં સંપૂર્ણ કંપન થ્રેશોલ્ડ ઓળંગવામાં આવતું નથી, પરંતુ AI એ 8-સપ્તાહના વલણ પર દર અઠવાડિયે ~6% વધારો દર્શાવે છે. એક્સ્ટ્રાપોલેશન દ્વારા, એવું અનુમાન છે કે થ્રેશોલ્ડ ~5 અઠવાડિયામાં ઓળંગી જશે. આયોજિત સ્ટોપ દરમિયાન, ટીમ તેલનું વિશ્લેષણ કરે છે, ધાતુના કણને શોધે છે અને ગિયરને નિયંત્રિત રીતે બદલે છે; અણધાર્યા સ્ટોપિંગને અટકાવવામાં આવે છે. પાઠ: વલણ સંપૂર્ણ થ્રેશોલ્ડ પહેલાં ચેતવણી આપે છે.

સામાન્ય ભૂલો

• સંદર્ભ વિના ટિપ્પણીઓ માટે પૂછવું: RPM અને બેરિંગ માહિતી વિના સ્પેક્ટ્રમનું અર્થઘટન.
• સેન્સર ચકાસતા નથી: કેલિબ્રેશન/કનેક્શન ભૂલને વાસ્તવિક ખામી તરીકે ભૂલવી.
• નિદાન માટે પૂર્વધારણાને ભૂલ કરવી: ક્ષેત્ર નિયંત્રણ વિના જાળવણી નિર્ણયમાં AI અર્થઘટનનું ભાષાંતર કરવું.
• માત્ર નિરપેક્ષ થ્રેશોલ્ડ તરફ જોવું: ધીમા સડોના વલણને ખૂટે છે.
• અન્ડરસેમ્પલિંગ: Nyquist નિયમની અવગણના કરવી અને ઉચ્ચ આવર્તન ખામીને અવગણવી.
• ખોટા સકારાત્મક માટે અતિશય પ્રતિક્રિયા: વાસ્તવિક ખામી માટે અવાજને ભૂલવું અને તંદુરસ્ત મશીનને બંધ કરવું.

સારાંશમાં

• અનુમાનિત જાળવણી વાઇબ્રેશન, તાપમાન અને વર્તમાન જેવા સેન્સરથી મશીનની સ્થિતિ વાંચે છે અને અગાઉથી નિષ્ફળતાની આગાહી કરે છે.
• કંપન સ્પેક્ટ્રમમાં, દરેક નિષ્ફળતા મોડ લાક્ષણિક આવર્તન પર ટોચનું ઉત્પાદન કરે છે; ટિપ્પણી માટે RPM અને બેરિંગ જ્ઞાન જરૂરી છે.
• AI દ્વારા આપવામાં આવેલ ફોલ્ટ અર્થઘટન એ એક પૂર્વધારણા છે; લાક્ષણિકતા આવર્તન માપાંકન અને ક્ષેત્ર નિરીક્ષણ દ્વારા ચકાસાયેલ હોવું આવશ્યક છે.
• સેન્સર પોતે નિષ્ફળ થઈ શકે છે; "સેન્સર પહેલા ચકાસો" એ પહેલો નિયમ છે.
• વલણ એ સંપૂર્ણ થ્રેશોલ્ડ જેટલું મહત્વનું છે; ધીમી અધોગતિ પ્રારંભિક ચેતવણી આપે છે. જાળવણીનો નિર્ણય સક્ષમ એન્જિનિયરનો છે.

એપ્લિકેશન કાર્ય

ફરતી મશીન (પંપ, પંખો, મોટર) પસંદ કરો. જો લાગુ પડતું હોય તો મશીનનો RPM અને બેરિંગ નંબર લખો. વાસ્તવિક અથવા નમૂના વાઇબ્રેશન સ્પેક્ટ્રમ / તાપમાન સમય શ્રેણી લો અને એઆઈને તેના સંદર્ભ સાથે તેનું અર્થઘટન કરવા દો. દરેક નિષ્ફળતાની પૂર્વધારણા માટે AI બતાવે છે: લાક્ષણિકતા આવર્તન જાતે તપાસો (BPFO/BPFI ગણતરી જો બેરિંગ હોય તો ચકાસો), સેન્સરની નિષ્ફળતાની શક્યતાનું મૂલ્યાંકન કરો અને તમે તેને ક્ષેત્રમાં કેવી રીતે ચકાસશો તે લખો. અંતે, તારણોને ત્રણ-સ્તરની ભલામણમાં વિભાજીત કરો (તત્કાલ રોકો / શેડ્યૂલ પર નિરીક્ષણ કરો / મોનિટરિંગ ચાલુ રાખો) અને જણાવો કે શા માટે અંતિમ જાળવણી નિર્ણય લાયક એન્જિનિયર પાસે રહે છે.

ચેકલિસ્ટ

• [ ] મશીન સંદર્ભ (પ્રકાર, RPM, બેરિંગ/ગિયર, માપન બિંદુ) આપવામાં આવે છે.
• [ ] ડેટાની ગુણવત્તા અને સેમ્પલિંગ આવર્તન (Nyquist) ચકાસાયેલ.
• [ ] AI દ્વારા દર્શાવવામાં આવેલ ફોલ્ટ ફ્રીક્વન્સીઝ લાક્ષણિક આવર્તન ગણતરી દ્વારા ચકાસવામાં આવી હતી.
• [ ] સેન્સર કેલિબ્રેશન/કનેક્શન ભૂલની શક્યતાનું મૂલ્યાંકન કરવામાં આવ્યું.
• [ ] સંપૂર્ણ થ્રેશોલ્ડ ઉપરાંત, વલણની પણ તપાસ કરવામાં આવી હતી.
• [ ] ફિલ્ડ નિરીક્ષણ દ્વારા પુષ્ટિ થયેલ ટિપ્પણી; જાળવણીનો નિર્ણય સક્ષમ ઇજનેર પર છોડી દેવામાં આવ્યો હતો.