અનુમાનિત જાળવણી

નફો:

• AI સાથે વિશેષતાઓ કાઢીને કંપન/તાપમાન ડેટામાંથી ખામીના લક્ષણોનું વિશ્લેષણ કરવાની ક્ષમતા
• AI ની મદદથી થ્રેશોલ્ડ-આધારિત અને સરળ મશીન લર્નિંગ વિસંગતતા શોધ અભિગમ ડિઝાઇન કરવાની ક્ષમતા
• ખોટા એલાર્મ્સ (ખોટા હકારાત્મક) અને ચૂકી ગયેલી ખામીઓ (ખોટા નકારાત્મક) અને જાળવણીના નિર્ણયોનું સંતુલન ચકાસવાની ક્ષમતા

ઉત્પાદન લાઇન પર બેરિંગની અણધારી નિષ્ફળતા કલાકોના ડાઉનટાઇમ, ચૂકી ગયેલા ઓર્ડર અને ક્યારેક કોલેટરલ નુકસાન તરફ દોરી જાય છે. પરંપરાગત જાળવણી બે ચરમસીમાએ અટકે છે: બ્રેકડાઉન જાળવણી (તે તૂટે ત્યારે તેને ઠીક કરો-સૌથી ખર્ચાળ આશ્ચર્ય) અને સમયાંતરે જાળવણી (શેડ્યૂલ દ્વારા બદલો-ઘણી વખત અકાળ અને નકામા). અનુમાનિત જાળવણી ત્રીજી રીત ખોલે છે: મશીનની વાસ્તવિક સ્થિતિનું સતત માપન કરવું, નિષ્ફળતાની આગાહી કરવી અને સમયસર દખલ કરવી. વાઇબ્રેશન, તાપમાન, કરંટ અને ધ્વનિ જેવા સિગ્નલોમાં ફેરફાર અઠવાડિયા અગાઉથી ખામીને દર્શાવે છે. AI અહીં શક્તિશાળી છે: સિગ્નલોમાંથી સુવિધાઓ કાઢવી, વિસંગતતાઓ શોધવી, બાકીના જીવનકાળનો અંદાજ કાઢવો. પરંતુ એક ખોટા એલાર્મનો અર્થ છે બિનજરૂરી ડાઉનટાઇમ, એક ચૂકી ગયેલી ખામી એટલે આપત્તિ; થ્રેશોલ્ડ અને નિર્ણય સંતુલન એ એન્જિનિયરની જવાબદારી છે. આ એકમમાં, અમે એઆઈ સાથે અનુમાનિત જાળવણી કેવી રીતે સેટ કરવી અને તેના નિર્ણયોને માન્ય કરવા તે આવરી લઈએ છીએ.

શા માટે કંપન અને તાપમાન?

ફરતી મશીનોમાં ખામી લાક્ષણિક સહીઓ છોડી દે છે. જ્યારે બેરિંગ ખતમ થઈ જાય છે, ગિયર ક્રેક થઈ જાય છે, શાફ્ટ અસંતુલિત બને છે, વાઈબ્રેશન સ્પેક્ટ્રમમાં ચોક્કસ ફ્રીક્વન્સીઝ પર ઊર્જા વધે છે. તાપમાન ઘર્ષણ અને લોડમાં વધારોનું ધીમી પરંતુ વિશ્વસનીય સૂચક છે. અમે આ સિગ્નલોમાંથી અર્થપૂર્ણ સુવિધાઓ મેળવીએ છીએ:

લક્ષણ

તે શું કહે છે

કઈ ખામી?

RMS (અસરકારક મૂલ્ય)

સામાન્ય કંપન ઊર્જા

સામાન્ય બગાડ, અસંતુલન

ટોચ

અચાનક મારામારી

બેરિંગ ખામી, ઉત્તમ

ક્રેસ્ટ ફેક્ટર (પીક/આરએમએસ)

પલ્સ સામગ્રી

અકાળ બેરિંગ નિષ્ફળતા

કર્ટોસિસ

વિતરણની "સ્પીકીનેસ".

પલ્સ ફોલ્ટનું લક્ષણ

પ્રબળ આવર્તન (FFT)

આવર્તન કે જેના પર ઊર્જા એકત્રિત કરવામાં આવે છે

ચોક્કસ ઘટક નિષ્ફળતા

મુખ્ય વિચાર: કાચા સિગ્નલને જોવાને બદલે, અમે ખામી-સંવેદનશીલ સુવિધાઓનું નિરીક્ષણ કરીએ છીએ. AI ઝડપથી કોડ લખે છે જે આ વિશેષતાઓની ગણતરી કરે છે.

npdef jitter_attributes(signal, fs): """સિગ્નલ: એક્સિલરેશન સિક્વન્સ, fs: સેમ્પલિંગ ફ્રીક્વન્સી (Hz)" તરીકે આયાત કરો. 0 અન્ય 0 # કુર્ટોસિસ (ચોથી ક્ષણ / ભિન્નતા^2) સરેરાશ = np.mean(સિગ્નલ) kurtosis = np.mean((સિગ્નલ - સરેરાશ)**4) / (np.var(સિગ્નલ)**2 + 1e-12) # પ્રબળ આવર્તન (FFT) સ્પેક્ટ્રમ = np.ffsn(frfsnl) np.fft.rfftfreq(len(signal), 1/fs) dominant_f = ફ્રીક્વન્સીઝ[np.argmax(સ્પેક્ટ્રમ)] રિટર્ન {"rms": rms, "પીક": પીક, "ક્રેસ્ટ": ક્રેસ્ટ, "કર્ટોસિસ": કુર્ટોસિસ, "ડોમિનેન્ટ_ફ્રીક્વન્સી_ડો"}

ટીપ: જ્યારે AI માં વિશેષતાઓ એક્સ્ટ્રેક્ટ કરી રહ્યા હોય, ત્યારે સેમ્પલિંગ ફ્રીક્વન્સી (fs) અને સિગ્નલની અવધિનો ઉલ્લેખ કરવાની ખાતરી કરો. FFT રિઝોલ્યુશન અને Nyquist મર્યાદા તેમના પર આધાર રાખે છે; જો fs આપવામાં આવેલ નથી, તો પ્રભાવશાળી આવર્તનનું ખોટું અર્થઘટન કરવામાં આવશે. વધુમાં, તંદુરસ્ત મશીનમાંથી "બેઝલાઇન" એકત્રિત કર્યા વિના કોઈપણ થ્રેશોલ્ડ અર્થપૂર્ણ નથી.

થ્રેશોલ્ડ-આધારિત અને શીખવાની-આધારિત તપાસ

ત્યાં બે મૂળભૂત અભિગમો છે:

થ્રેશોલ્ડ-આધારિત: એટ્રિબ્યુટની ચોક્કસ મર્યાદા (દા.ત. RMS) ઓળંગવાથી એલાર્મ જનરેટ થાય છે. સરળ, પારદર્શક અને સમજાવી શકાય તેવું; પરંતુ થ્રેશોલ્ડ અધિકાર મેળવવો મુશ્કેલ અને એક-પરિમાણીય છે.

લર્નિંગ-આધારિત (વિસંગતતા શોધ): તે તંદુરસ્ત કાર્યકારી ડેટામાંથી "સામાન્ય" શીખે છે અને તેમાંથી વિચલનોને ચિહ્નિત કરે છે. તે બહુપરીમાણીય પેટર્નને કેપ્ચર કરે છે, પરંતુ વધુ ડેટા અને "બ્લેક બોક્સ" બનવાના જોખમોની જરૂર છે.

npdef z_score_anomali(મૂલ્ય, baseline_avg, baseline_std, threshold=3.0) તરીકે numpy આયાત કરો: """સરળ આંકડાકીય વિસંગતતા: બેઝલાઇનથી કેટલા stds દૂર છે?""" z = (મૂલ્ય - આધારરેખા_avg) / (આધારરેખા_std + 1th-zold) >1th-zold) #thresh. ઉદાહરણ: હેલ્ધી મશીન પર આરએમએસ એવરેજ 0.8, ધોરણ 0.1 એલાર્મ થવા દો, z = z_score_anomaly(value=1.25, baseline_avg=0.8, baseline_std=0.1)print(f"z-score: {z:.1f}, alarm: {alarm}") - 5 alarm.

આ સરળ ઝેડ-સ્કોર અભિગમ પણ એક સિદ્ધાંત દર્શાવે છે: થ્રેશોલ્ડ તંદુરસ્ત મશીનના આંકડા પરથી લેવામાં આવે છે, તે મનસ્વી રીતે પસંદ કરવામાં આવતું નથી. AI વધુ અદ્યતન પદ્ધતિઓ સૂચવી શકે છે (આઇસોલેશન ફોરેસ્ટ, ઓટોએનકોડર), પરંતુ તે બધાનો એક જ આધાર છે: પ્રથમ "સામાન્ય" વ્યાખ્યાયિત કરો, પછી વિચલનને માપો.

ખોટા એલાર્મ અને ચૂકી ગયેલ ફોલ્ટ બેલેન્સ

અનુમાનિત જાળવણીના કેન્દ્રમાં આ ઇજનેરી નિર્ણય છે. ત્યાં બે પ્રકારની ભૂલો છે અને તેમની કિંમત અસમપ્રમાણ છે:

ભૂલનો પ્રકાર

અર્થ

ખર્ચ

ખોટા એલાર્મ (ખોટા હકારાત્મક)

જ્યારે કોઈ ખામી ન હોય ત્યારે એલાર્મ

બિનજરૂરી મુદ્રા, આત્મવિશ્વાસ ગુમાવવો

ચૂકી ગયેલી ખામી (ખોટી નકારાત્મક)

જ્યારે કોઈ ખામી હોય ત્યારે એલાર્મ નથી

અણધારી ખામી, નુકસાન, ભય

જો તમે થ્રેશોલ્ડ ઓછો કરો છો (ખૂબ સંવેદનશીલ) તો ચૂકી ગયેલી ખામી ઘટે છે પરંતુ ખોટા એલાર્મ વધે છે; ઓપરેટરો એલાર્મ ("એલાર્મ થાક") પર આધાર રાખવાનું બંધ કરે છે. જો તમે થ્રેશોલ્ડમાં વધારો કરો છો, તો ખોટા એલાર્મ્સ ઘટે છે, પરંતુ વાસ્તવિક ખામી ગુમ થવાનું જોખમ વધે છે. યોગ્ય સંતુલન નિષ્ફળતાના પરિણામ પર આધાર રાખે છે: સલામતી-નિર્ણાયક ઘટક (દા.ત. ક્રેન બ્રેક)માં ચૂકી ગયેલી નિષ્ફળતા અસ્વીકાર્ય છે, ત્યાં તમે સંવેદનશીલતા ઊંચી રાખો છો અને ખોટા એલાર્મ સાથે મુકો છો.

સાવચેતી: AI દ્વારા સૂચવવામાં આવેલ થ્રેશોલ્ડ અથવા મોડલ ચોકસાઈ (દા.ત. "95% ચોકસાઈ") વર્ગના અસંતુલનને કારણે ભ્રામક હોઈ શકે છે. ખામી દુર્લભ છે; એક મોડેલ જે હંમેશા "કોઈ નિષ્ફળતા" કહે છે તે ઉચ્ચ ચોકસાઈ બતાવે છે પરંતુ તેનો કોઈ ઉપયોગ નથી. ચોકસાઈને બદલે ખોટા એલાર્મ દર અને ચૂકી ગયેલ નિષ્ફળતા દર દ્વારા મોડેલનું મૂલ્યાંકન કરો; તમારી પ્રક્રિયા જોખમ આ સંતુલન નક્કી કરે છે.

નિર્ણયથી જાળવણી સુધી: માનવ મંજૂરી

વિસંગતતા શોધ એ સીધો "સ્ટોપ મશીન" આદેશ નથી; તે નિર્ણય સમર્થન સંકેત છે. લાક્ષણિક પ્રવાહ: વિસંગતતા શોધાયેલ → ગંભીરતા અને વલણનું મૂલ્યાંકન → સંભાળ ટીમ પુષ્ટિ કરે છે (શારીરિક તપાસ, વધારાનું માપન) → આયોજિત હસ્તક્ષેપ. AI વલણ અને સંભવિત કારણ સૂચવી શકે છે, પરંતુ "આ બેરિંગને બદલવાની જરૂર છે" નો નિર્ણય અને સમય માનવ પાસે રહે છે; કારણ કે મનુષ્ય ઉત્પાદન યોજના, સ્પેરપાર્ટ્સ અને સલામતી સંદર્ભ જુએ છે.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

WEAK: "શું આ વાઇબ્રેશન ડેટા ખામીયુક્ત છે?" (કોઈ બેઝલાઈન, કોઈ fs, કોઈ સંદર્ભ નથી. અપ્રમાણિત હા/ના.) સ્ટ્રોંગ: "મારી પાસે 12 kHz પર સેમ્પલ કરાયેલા બેરિંગનો 1 સેકન્ડનો પ્રવેગક ડેટા છે. RMS, ક્રેસ્ટ ફેક્ટર, કુર્ટોસિસ અને ડોમિનેન્ટ ફ્રીક્વન્સીની ગણતરી કરો. મારી પાસે 30-દિવસની સ્વસ્થ ઓપરેટિંગ બેઝલાઈન છે (RMS.0= avd = avd.8 માપ). બેઝલાઈનમાંથી z-સ્કોર કરો અને 3-સિગ્મા થ્રેશોલ્ડ અનુસાર તેનું અર્થઘટન કરો, પરંતુ જણાવો કે આ એક નિર્ણય સપોર્ટ સિગ્નલ છે અને બેરિંગની લાક્ષણિકતા દોષ ફ્રીક્વન્સીઝ સાથે પ્રબળ આવર્તનની તુલના કરો.

મીની કેસ

જાળવણી ઇજનેર એમરે ચાહક મોટર માટે વાઇબ્રેશન-આધારિત મોનિટરિંગ ઇન્સ્ટોલ કરી રહ્યા છે. તે AI માં ફીચર એક્સટ્રક્શન અને z-સ્કોર વિસંગતતા કોડ પ્રિન્ટ કરે છે; સિસ્ટમ થોડા દિવસોમાં એલાર્મ આપે છે. પરંતુ જ્યારે એમ્રે તેને તપાસે છે, ત્યારે મશીન અકબંધ હોવાનું બહાર આવ્યું છે - ખોટા એલાર્મ. જ્યારે તે તેની તપાસ કરે છે, ત્યારે તેને ખ્યાલ આવે છે કે તેણે માત્ર 2 કલાકના ડેટા સાથે આધારરેખા સ્થાપિત કરી હતી, જ્યારે પંખાનું સ્પંદન સામાન્ય રીતે લોડ બદલાતા વધઘટ થાય છે. તે વિવિધ લોડ પરિસ્થિતિઓને આવરી લેવા માટે બેઝલાઈનને 1 અઠવાડિયા સુધી લંબાવે છે અને ખોટા એલાર્મ બંધ કરવામાં આવે છે. પછી તે ક્રેસ્ટ ફેક્ટરમાં ધીમો ઉપર તરફનો વલણ જુએ છે; આરએમએસ હજી થ્રેશોલ્ડ વટાવે તે પહેલાં આ પ્રારંભિક બેરિંગ નિષ્ફળતા સૂચવે છે. શારીરિક તપાસ બેરિંગના અકાળ વસ્ત્રોની પુષ્ટિ કરે છે. Emre આયોજિત જાળવણીમાં બેરિંગમાં ફેરફાર કરે છે, અને ત્યાં કોઈ અણધારી વિરામ નથી. AI એ વિશેષતા અને વિસંગતતાની ઝડપથી ગણતરી કરી; પરંતુ બેઝલાઇન ગુણવત્તા અને વલણનું અર્થઘટન - ખોટા એલાર્મને દૂર કરવા અને વાસ્તવિક નિષ્ફળતાને વહેલા પકડવા - એ એન્જિનિયરનું કામ બની ગયું.

સામાન્ય ભૂલો

• તંદુરસ્ત મશીનમાંથી પર્યાપ્ત/પ્રતિનિધિ આધારરેખા એકત્રિત કર્યા વિના થ્રેશોલ્ડ સેટ કરવું.
• નમૂનાની આવર્તનનો ઉલ્લેખ કર્યા વિના FFT/પ્રબળ આવર્તનનું અર્થઘટન.
• "ચોક્કસતા" સાથે મોડેલનું મૂલ્યાંકન કરવું અને દુર્લભ ખામીના કિસ્સામાં ભ્રામક પરિણામો મેળવો.
• પ્રક્રિયાના જોખમથી સ્વતંત્ર, મનસ્વી રીતે થ્રેશોલ્ડ પસંદ કરવું.
• ડાયરેક્ટ સ્ટોપ કમાન્ડ તરીકે વિસંગતતા સિગ્નલને ભૂલવું અને માનવ ચકાસણીને બાયપાસ કરવું.
• એક મેટ્રિકને જોવું અને વલણને અવગણવું (ધીમો વધારો).

સારાંશમાં

• અનુમાનિત જાળવણી મશીનની વાસ્તવિક સ્થિતિને માપે છે અને નિષ્ફળતાની આગાહી કરે છે.
• આરએમએસ, ક્રેસ્ટ, કુર્ટોસિસ, ડોમિનેંટ ફ્રીક્વન્સી જેવી સુવિધાઓ વાઇબ્રેશન/ટેમ્પેચરમાંથી કાઢવામાં આવે છે.
• થ્રેશોલ્ડ અને વિસંગતતા શોધ તંદુરસ્ત મશીનના આધારરેખા આંકડા પરથી લેવામાં આવે છે.
• ખોટા એલાર્મ અને ચૂકી ગયેલી ખામીઓનું સંતુલન પ્રક્રિયાના જોખમ અનુસાર ગોઠવવામાં આવે છે.
• દુર્લભ ખામીઓમાં, "ચોકસાઈ" ભ્રામક છે; ખોટા એલાર્મ/મિસ રેટનો ઉપયોગ થાય છે.
• વિસંગતતા એ નિર્ણય સમર્થન સંકેત છે; કાળજીનો નિર્ણય અને સમય વ્યક્તિ પાસે રહે છે.

એપ્લિકેશન કાર્ય

કંપન અથવા તાપમાન સમય શ્રેણી (સ્વસ્થ આધાર + ધીમે ધીમે બગડતો વિભાગ) શોધો અથવા તેનું અનુકરણ કરો. પ્રિન્ટ ફીચર એક્સટ્રેક્શન (RMS, ક્રેસ્ટ, કુર્ટોસિસ) અને z-સ્કોર વિસંગતતા શોધ કોડ બેઝલાઇનથી AI સુધી. પછી: (1) માત્ર હેલ્ધી સેક્શનમાંથી જ બેઝલાઈન સેટ કરો અને સેમ્પલિંગ ફ્રીક્વન્સી આપો, (2) 2-સિગ્મા અને 4-સિગ્મા માટે થ્રેશોલ્ડ અજમાવો અને ખોટા એલાર્મ અને ચૂકી ગયેલા ફોલ્ટ્સની સંખ્યા કેવી રીતે બદલાય છે તેની સરખામણી કરો, (3) એક જ માપનને બદલે એટ્રિબ્યુટ ટ્રેન્ડ પ્લૉટ કરો અને જુઓ કે તે પ્રારંભિક ચેતવણી આપે છે કે નહીં. તમારા દૃશ્યમાં જોખમ માટે કયો થ્રેશોલ્ડ યોગ્ય છે તે સમજાવો અને તમે તેને શા માટે પસંદ કર્યું તે વાજબી બનાવો.