Prediktív karbantartás és érzékelő adatok

Nyereség:

• Képes felismerni a prediktív karbantartás fogalmát, a rezgés-/hőmérsékletjelzőket és a tipikus meghibásodási módokat
• Képes anomáliák, trendek és jellemző frekvenciaelemzések konfigurálására az érzékelő idősoraiban AI segítségével
• Lehetőség a mesterséges intelligencia értelmezésének keresztellenőrzésére fizikai hibamechanizmussal, kalibrációval és helyszíni ellenőrzéssel

A prediktív karbantartás az egyik olyan alkalmazás, amely a legnagyobb megtérülést nyújtja egy létesítményben azáltal, hogy csökkenti a tervezett állásidőt, és megelőzi a váratlan meghibásodásokat azáltal, hogy folyamatosan figyeli a gép állapotát, és előre jelzi a meghibásodást, mielőtt az bekövetkezne. A klasszikus "javítsa meg, ha elromlik" vagy "cserélje ki menetrend szerint" megközelítések helyett a gép aktuális állapotát olyan szenzoradatokból olvassuk le, mint a rezgés, hőmérséklet, áramerősség és akusztika. A mesterséges intelligencia (AI) nagyon erős ezen a területen: anomáliák (a normáltól való eltérés) észlelése idősoros adatokban, trendelemzés, jellemző hibagyakoriságok értelmezése és jelentéskészítés. De az AI által adott „lehetséges meghibásodás” egy hipotézis, nem pedig diagnózis. Előfordulhat, hogy az érzékelő elromlott, a kalibrációja ki van kapcsolva, az adatok zajosak lehetnek, és az AI jelentést tulajdoníthat egy nem fizikai mintának. mesterséges intelligencia értelmezése a karbantartási döntés meghozatala előtt; A jellemző hibagyakoriságot össze kell vetni az érzékelő kalibrálásával, az adatminőséggel és a helyszíni ellenőrzéssel. Ebben az egységben megtanulhatja az érzékelők adatainak biztonságos értelmezését az AI segítségével.

Mért mennyiségek és tipikus meghibásodási módok

A forgó gépek (motor, szivattyú, ventilátor, csapágy, hajtómű) állapota néhány alapmennyiségből leolvasható. Minden mennyiség érzékeny bizonyos hibamódokra:

méretet

mire érzékeny

Tipikus hibamód

Rezgés (gyorsulás/sebesség)

Kiegyensúlyozatlanság, eltolódás, csapágy/hajtómű

Kiegyensúlyozatlanság, eltolódás, csapágykárosodás

hőmérséklet

Súrlódás, kenésvesztés, túlterhelés

Csapágymelegedés, olajlebomlás

motoráram

Elektromos és mechanikai terhelésváltozás

Rotorrúd törés, terhelési anomália

akusztikus/ultrahang

Idő előtti csapágykárosodás, szivárgás

Az olajfilm lebomlása, gázszivárgás

A rezgéselemzés alapvető eszköze a frekvenciaspektrum: az időjelet a Fourier-transzformációval (FFT: az a matematikai folyamat, amely a jelet komponensfrekvenciákra bontja) frekvenciakomponenseire bontjuk. Minden hibaüzem csúcsot produkál egy jellemző frekvencián. Például a kiegyensúlyozatlanság a forgási frekvenciánál (1X), a tengelyeltérés többnyire 2X-nél, a csapágysérülések pedig a csapágygeometriától függően speciális frekvenciákon (például BPFO, BPFI, BSF) jelentkeznek.

Tipp: Mielőtt az AI értelmezné a spektrumot, adja meg a gép forgási sebességét (RPM) és csapágyszámát, ha van. A jellemző hibagyakoriságok ezen információ nélkül nem számíthatók ki; nélkülük a mesterséges intelligencia „csapágyhibás” értelmezése a levegőben marad.

Anomália, trend és téves riasztás

Az AI két dolgot csinál jól az idősorokban: az anomáliák észlelését (hirtelen eltérések) és a trendelemzést (lassú csökkenés). De van két csapda. Az első hamis pozitív: a zaj, az ideiglenes terhelésváltozás vagy az érzékelő vibrációja tűnhet a valódi meghibásodásnak. A második hamis negatív: a lassú, fokozatos romlás elmaradhat, mert a "normál tartományon belül" marad. A jó monitorozás a változást a gép saját története (alapállapota) alapján is követi, nem pedig az abszolút küszöbérték alapján.

Figyelem: Maga az érzékelő meghibásodhat. Bár a kalibráción kívüli hőmérséklet-érzékelő „túlmelegedés” riasztást adhat, a gép teljesen normális; vagy egy laza gyorsulásmérő hamis rezgést kelt. Amit az AI lát, az csak adat; A terepi vezérlés megmondja, hogy az adatok forrása megbízható-e. „Először ellenőrizze az érzékelőt” a prediktív karbantartás első szabálya.

Lépésről lépésre: Szenzoradatok értelmezése mesterséges intelligencia segítségével

1. Adja meg a kontextust. Géptípus, fordulatszám, csapágy/hajtómű információ, mérési pont.
2. Ellenőrizze az adatok minőségét. Elegendő-e a mintavételi gyakoriság, vannak hiányzó/kiugró értékek?
3. Határozza meg az alapvonalat. Hogyan néz ki az egészséges állapot?
4. Kivonja az anomáliát/trendet. Jelölje meg az eltérést és a trendet az AI-val.
5. Kérjen fizikai tolmácsolást. Melyik hibamód, milyen gyakorisággal, miért?
6. Ellenőrizze a terepen. Kalibrálás, vizuális/tapintható ellenőrzés, szükség esetén második mérés.

Spektrum értelmező prompt

Szerepe: Rezgéselemző (állapotfigyelő) szakember.Kontextus: 1450 RPM-en forgó centrifugálszivattyú, hajtásvégi csapágy 6206.Adatok: csúcsfrekvenciák a rezgési sebességspektrumban [lista, Hz és amplitúdó].Feladat: Minden csúcsot korreláljon a lehetséges meghibásodási móddal (1X-es BFX/B-tengely kiegyensúlyozatlanság,2,B-tengely stb.). Számítsa ki a jellemző csapágyfrekvenciákat RPM és 6206 geometriával, adja meg a megjelenített frekvenciákat. Szabály: Ez egy HIPOTÉZIS; Minden megjegyzésnél írd be a mezőbe, hogy hogyan igazolom.

Anomália/trendelemzési felszólítás

Elemezze a következő hőmérsékleti idősorokat: [dátum, értékek listája].- Mi az alapvonal (normál tartomány)?- Vannak-e anomáliák (hirtelen eltérés), mikor?- Van-e lassan emelkedő trend, mekkora a meredekség?Szabály: Felméri a hamis pozitív eredmények kockázatát; Milyen további ellenőrzést javasolna az érzékelőhiba és a valódi túlmelegedés megkülönböztetésére?

Adatminőség és szenzorellenőrző felszólítás

A mintavételezési frekvencia ebben a jittermérésben 2 kHz. A legnagyobb hibafrekvencia ami érdekel ~800 Hz. Elegendő-e ez a mintavétel (Nyquist), megjegyzés. A hirtelen ugrások és az adatok kivágásának tünetei a következők: [leírás]. Valós jelek vagy érzékelő/rögzítési hibák lehetnek, hogyan tudom megkülönböztetni?

Karbantartási határozattervezet felszólítás

Írjon karbantartási javaslat tervezetet a következő megállapítások alapján: [leletek]. Ossza három szintre az ajánlást: azonnal állítsa le, ellenőrizze az ütemezett karbantartáskor, folytassa a megfigyelést. Minden szinthez írjon indoklást és mezőellenőrzést. Szabály: Az illetékes karbantartó mérnök hozza meg a végső döntést; ezt kimondani.

Gyenge felszólítás / Erős felszólítás

Gyenge felszólítás:

Magas ez a rezgés?

Nincs géptípus, fordulatszám, mértékegység, alapvonal és irányinformáció; A mesterséges intelligencia nem tud „magas/alacsony” kifejezést mondani, még ha igen is, nem támogatott.

Erőteljes felszólítás:

1450 RPM centrifugálszivattyú, 6206-os csapágy, hajtásvégi adagolás. A rezgéssebesség-spektrum csúcsfrekvenciái: [lista]. Minden csúcshoz társítson egy lehetséges hibamódot, számítsa ki és jelenítse meg a jellemző csapágyfrekvenciákat. Fogalmazza meg, hogy minden megjegyzés hipotézis, és írja be a mezőbe, hogyan ellenőrizheti azt. Vegye figyelembe az érzékelő hibájának lehetőségét is.

A második prompt tartalmazza a gépkörnyezetet, a spektrumadatokat és az ellenőrzési kérelmet; Az értelmezést hipotézisként pozicionálja.

Három mini tok (szám szerint)

1. eset – A jellemző frekvencia ellenőrzése. Az egyik szivattyún az AI „belső gyűrű hiba (BPFI)” megjegyzést tesz. A mérnök 1450 RPM (24,2 Hz) fordulatszámmal és 6206-os csapágygeometriával számítja ki a BPFI-t: ~131 Hz. A spektrum csúcsa valójában ~130 Hz körül van, és harmonikusok vannak. Az értelmezés összhangban van a jellemző gyakorisággal; A mérnök a tervezett karbantartás során szétszedi a csapágyat, és a belső gyűrűn lyukat talál. A megerősítés a hipotézist diagnózissá változtatja.

2. eset – Hamis riasztás. Az egyik ventilátoron a hőmérséklet-érzékelő 95°C-os riasztást ad, az AI „csapágy túlmelegedést” ír. A terepcsapat kézi ellenőrzést végez: az ágy meleg, normális. Az érzékelő csatlakozása meglazult, a kalibráció eltolódott. Tényleges hőmérséklet ~55°C. Az érzékelő meghúzásakor és kalibrálásakor a riasztás eltűnik. Ha az AI-értelmezést vakon követnék, egy szilárd ágyat szükségtelenül szétszednének. Tanulság: először ellenőrizze az érzékelőt.

3. eset – A lassú trend elkapása. Az abszolút rezgésküszöböt a sebességváltó nem lépi túl, de az AI hetente ~6%-os amplitúdót mutat 8 hetes trend szerint. Extrapoláció szerint a küszöbérték túllépése ~5 héten belül várható. A tervezett megállás során a csapat elemzi az olajat, megtalálja a fémszemcsét és ellenőrzött módon kicseréli a fogaskereket; Megakadályozzák a váratlan leállást. Tanulság: a trend az abszolút küszöb előtt figyelmeztet.

Gyakori hibák

• Hozzászólások kérése kontextus nélkül: A spektrum értelmezése RPM és információhordozó nélkül.
• Nem ellenőrzi az érzékelőt: A kalibrálási/csatlakozási hibát valós hibának tekinti.
• Hipotézis tévedése a diagnózishoz: A mesterséges intelligencia értelmezésének átültetése karbantartási döntésbe helyszíni ellenőrzés nélkül.
• Csak az abszolút küszöböt tekintve: Hiányzik a lassú hanyatlás tendenciája.
• Alulmintavétel: A Nyquist-szabály figyelmen kívül hagyása és a magas frekvenciájú hiba figyelmen kívül hagyása.
• Túlreagálás téves pozitívra: A zaj összetévesztése valódi hibával és az egészséges gép leállítása.

Összefoglalva

• A prediktív karbantartás leolvassa a gép állapotát olyan érzékelőkből, mint a rezgés, hőmérséklet és áramerősség, és előre megjósolja a meghibásodást.
• A rezgésspektrumban minden meghibásodási mód egy jellemző frekvencián ad csúcsot; A megjegyzés fordulatszámot és csapágyismeretet igényel.
• Az AI által adott hibaértelmezés egy hipotézis; A karakterisztikus frekvenciát kalibrálással és helyszíni szemlével kell igazolni.
• Maga az érzékelő meghibásodhat; "Először ellenőrizze az érzékelőt" az első szabály.
• A trend ugyanolyan fontos, mint az abszolút küszöb; A lassú lebomlás korai figyelmeztetést ad. A karbantartási döntés az illetékes mérnöké.

Pályázati feladat

Válasszon egy forgó gépet (szivattyú, ventilátor, motor). Írja le a gép fordulatszámát és csapágyszámát, ha van. Vegyünk egy tényleges vagy minta rezgésspektrum/hőmérséklet idősort, és az AI értelmezze azt a környezetével együtt. Az AI minden meghibásodási hipotézisnél azt mutatja: ellenőrizze saját maga a jellemző frekvenciát (ellenőrizze a BPFO/BPFI számítást, ha csapágy van), értékelje az érzékelő meghibásodásának lehetőségét, és írja meg a terepen, hogyan fogja ellenőrizni. Végül fogalmazza meg a megállapításokat egy háromszintű ajánlásban (azonnal hagyja abba / ellenőrizze az ütemterv szerint / folytassa a megfigyelést), és adja meg, hogy a végső karbantartási döntés miért marad a szakképzett mérnöknél.

ellenőrző lista

• [ ] A gép kontextusa (típus, fordulatszám, csapágy/fogaskerék, mérési pont) adott.
• [ ] Az adatminőség és a mintavételi gyakoriság (Nyquist) ellenőrizve.
• [ ] Az AI által mutatott hibafrekvenciákat karakterisztikus frekvencia számítással igazoltuk.
• [ ] Az érzékelő kalibrálási/csatlakozási hibájának lehetősége kiértékelve.
• [ ] Az abszolút küszöb mellett a trendet is vizsgálták.
• [ ] A terepszemlével megerősített megjegyzés; A karbantartási döntést az illetékes mérnökre bízták.