Winst:
- Vermogen om het concept van voorspellend onderhoud, trillings-/temperatuurindicatoren en typische faalmodi te herkennen
- Mogelijkheid om anomalie-, trend- en karakteristieke frequentieanalyse in sensortijdreeksen met AI te configureren
- Mogelijkheid om de AI-interpretatie te vergelijken met een fysiek faalmechanisme, kalibratie en veldinspectie
Voorspellend onderhoud is een van de toepassingen die het hoogste rendement in een faciliteit oplevert door geplande stilstand te verminderen en onverwachte storingen te voorkomen door voortdurend de toestand van de machine te monitoren en storingen te voorspellen voordat deze zich voordoen. In plaats van de klassieke ‘repareer het als het kapot gaat’ of ‘vervang het op tijd’, lezen we de werkelijke toestand van de machine af aan de hand van sensorgegevens zoals trillingen, temperatuur, stroom en akoestiek. Kunstmatige intelligentie (AI) is op dit gebied zeer krachtig: anomaliedetectie (afwijking van normaal) in tijdreeksgegevens, trendanalyse, interpretatie van karakteristieke foutfrequenties en het genereren van rapporten. Maar de “mogelijke storing” die de AI geeft, is een hypothese, geen diagnose. De sensor kan kapot zijn, de kalibratie is mogelijk uitgeschakeld, de gegevens kunnen ruis bevatten en AI kan betekenis toekennen aan een niet-fysiek patroon. AI-interpretatie voordat een onderhoudsbeslissing wordt genomen; De karakteristieke foutfrequentie moet worden gecontroleerd met sensorkalibratie, gegevenskwaliteit en veldinspectie. In deze unit leer je sensorgegevens veilig interpreteren met AI.
Gemeten hoeveelheden en typische faalmodi
De gezondheid van roterende machines (motor, pomp, ventilator, lager, tandwiel) wordt afgelezen aan de hand van enkele basisgrootheden. Elke grootheid is gevoelig voor bepaalde faalmodi:
maat
gevoelig voor wat
Typische faalmodus
Trillingen (versnelling/snelheid)
Onbalans, verkeerde uitlijning, lager/versnelling
Onbalans, verkeerde uitlijning, lagerschade
temperatuur
Wrijving, verlies van smering, overbelasting
Lagerverwarming, oliedegradatie
motor stroom
Elektrische en mechanische belastingverandering
Rotorstaafbreuk, belastingafwijking
akoestisch/ultrasoon
Voortijdige lagerschade, lekkage
Aantasting van de oliefilm, gaslek
Het fundamentele hulpmiddel bij trillingsanalyse is het frequentiespectrum: we scheiden het tijdsignaal in zijn frequentiecomponenten met de Fourier-transformatie (FFT: het wiskundige proces dat een signaal in zijn samenstellende frequenties scheidt). Elke faalmodus produceert een piek met een karakteristieke frequentie. Onbalans treedt bijvoorbeeld op bij de rotatiefrequentie (1X), verkeerde uitlijning van de as treedt meestal op bij 2X, en lagerschade treedt op bij speciale frequenties, afhankelijk van de lagergeometrie (zoals BPFO, BPFI, BSF).
Tip: Voordat u de AI het spectrum laat interpreteren, geeft u, indien van toepassing, de rotatiesnelheid (RPM) en het peilingnummer van de machine. Zonder deze informatie kunnen karakteristieke foutfrequenties niet worden berekend; zonder hen blijft de interpretatie van de AI van "lagerfalen" in de lucht hangen.
Anomalie, trend en vals alarm
AI doet twee dingen goed in tijdreeksen: anomaliedetectie (plotselinge afwijkingen) en trendanalyse (langzaam verval). Maar er zijn twee valkuilen. De eerste is een vals positief signaal: geluid, een tijdelijke verandering van de belasting of trillingen van de sensor kunnen de echte storing lijken te zijn. De tweede is een vals-negatief: een langzame, geleidelijke verslechtering kan worden gemist omdat deze binnen het "normale bereik" blijft. Een goede monitoring volgt de verandering ook op basis van de eigen geschiedenis van de machine (basislijn) in plaats van op de absolute drempel.
Let op: Een sensor zelf kan defect raken. Hoewel een temperatuursensor die niet goed is gekalibreerd een alarm voor "oververhitting" kan geven, is de machine volkomen normaal; of een losse versnellingsmeter produceert valse trillingen. Wat AI ziet zijn slechts gegevens; Veldcontrole vertelt u of de bron van de gegevens betrouwbaar is. “Verifieer eerst de sensor” is de eerste regel van voorspellend onderhoud.
Stap voor stap: sensorgegevens interpreteren met AI
- Geef de context. Machinetype, toerental, lager-/versnellingsinformatie, meetpunt.
- Controleer de gegevenskwaliteit. Is de bemonsteringsfrequentie voldoende, zijn er ontbrekende/uitschieters?
- Bepaal de basislijn. Hoe ziet een gezonde toestand eruit?
- Laat de anomalie/trend extraheren. Markeer afwijkingen en trends met AI.
- Vraag om fysieke interpretatie. Welke faalwijze, met welke frequentie, waarom?
- Verifieer in het veld. Kalibratie, visuele/tactiele controle, tweede meting indien nodig.
Spectruminterpretatieprompt
Rol: specialist op het gebied van trillingsanalyse (conditiemonitoring). Context: een centrifugaalpomp die draait met 1450 tpm, lager aan aandrijfzijde 6206. Gegevens: piekfrequenties in het trillingssnelheidsspectrum [lijst, Hz en amplitude). Taak: correleer elke piek met de mogelijke faalmodus (1x onbalans, 2x verkeerde uitlijning van de assen, lager BPFO/BPFI etc.). Bereken de karakteristieke lagerfrequenties met RPM en 6206-geometrie, vermeld de frequenties die je laat zien. Regel: Dit is een HYPOTHESE; Schrijf voor elke opmerking hoe ik deze in het veld verifieer.
Anomalie/trendanalyseprompt
Analyseer de volgende temperatuurtijdreeksen: [datum, lijst met waarden]. - Wat is de basislijn (normaal bereik)? - Zijn er afwijkingen (plotselinge afwijking), wanneer? - Is er een langzaam stijgende trend, wat is de helling? Regel: Beoordeel het risico op valse positieven; Welke aanvullende controle zou u aanbevelen om onderscheid te maken tussen sensorfouten en echte oververhitting?
Gegevenskwaliteit en sensorverificatieprompt
De bemonsteringsfrequentie bij deze jittermeting bedraagt 2 kHz. De hoogste foutfrequentie waarin ik geïnteresseerd ben, is ~800 Hz. Is deze bemonstering voldoende (Nyquist), commentaar. Symptomen van plotselinge sprongen en clipping in de gegevens zijn als volgt: [beschrijving]. Kunnen dit echte signalen zijn of sensor-/opnamefouten, hoe kan ik dit onderscheiden?
Conceptprompt onderhoudsbesluit
Schrijf een conceptonderhoudsadvies op basis van de volgende bevindingen: [bevindingen]. Verdeel uw aanbeveling in drie niveaus: stop onmiddellijk, inspecteer bij gepland onderhoud, ga door met monitoren. Schrijf een motivering en veldverificatie voor elk niveau. Regel: De bevoegde onderhoudsmonteur neemt de uiteindelijke beslissing; vermeld dit.
Zwakke prompt/sterke prompt
Zwakke prompt:
Is deze trilling hoog?
Geen machinetype, toerental, meeteenheid, basislijn en peilinginformatie; AI kan niet 'hoog/laag' zeggen, zelfs als dat wel het geval is, wordt dit niet ondersteund.
Krachtige prompt:
1450 RPM centrifugaalpomp, lager 6206, aandrijvingsdosering. Piekfrequenties van het trillingssnelheidsspectrum: [lijst]. Associeer elke piek met een mogelijke faalmodus, bereken en toon karakteristieke lagerfrequenties. Geef aan dat elke opmerking een hypothese is en schrijf op hoe je deze in het veld kunt verifiëren. Houd ook rekening met de mogelijkheid van een sensorfout.
De tweede prompt bevat de machinecontext, spectrumgegevens en verificatieverzoek; Het positioneert de interpretatie als een hypothese.
Drie mini-hoesjes (op nummer)
Geval 1 - Karakteristieke frequentieverificatie. Op één pomp geeft de AI het commentaar "inner ring Failure (BPFI)". Ingenieur berekent BPFI met 1450 RPM (24,2 Hz) en 6206 lagergeometrie: ~131 Hz. De piek in het spectrum ligt feitelijk rond ~130 Hz en heeft harmonischen. De interpretatie komt overeen met de karakteristieke frequentie; De monteur demonteert het lager tijdens gepland onderhoud en constateert putjes in de binnenring. Bevestiging verandert de hypothese in een diagnose.
Geval 2 - Vals alarm. Bij één ventilator geeft de temperatuursensor een alarm van 95°C, de AI zegt "lager oververhit". Het veldteam doet een handmatige controle: het bed is warm, normaal. De sensoraansluiting zit los, de kalibratie is verschoven. Werkelijke temperatuur ~55°C. Wanneer de sensor wordt vastgedraaid en gekalibreerd, verdwijnt het alarm. Als men blindelings de AI-interpretatie zou volgen, zou een stevig bed onnodig worden gedemonteerd. Les: verifieer eerst de sensor.
Geval 3 – De langzame trend opvangen. De absolute trillingsdrempel wordt niet overschreden in een versnellingsbak, maar AI laat zien dat de amplitude met ~6% per week toeneemt gedurende een trend van 8 weken. Door extrapolatie wordt voorspeld dat de drempel over ongeveer vijf weken zal worden overschreden. Tijdens de geplande stop analyseert het team de olie, vindt het metaaldeeltje en vervangt het tandwiel gecontroleerd; Onverwacht stoppen wordt voorkomen. Les: de trend waarschuwt vóór de absolute drempel.
Veel voorkomende fouten
- Vragen om commentaar zonder context: het spectrum interpreteren zonder RPM en lagerinformatie.
- De sensor niet verifiëren: een kalibratie-/verbindingsfout aanzien als een echte storing.
- Een hypothese verwarren met een diagnose: AI-interpretatie vertalen naar een onderhoudsbeslissing zonder veldcontrole.
- Alleen kijken naar de absolute drempel: de trend van langzaam verval missen.
- Onderbemonstering: het negeren van de Nyquist-regel en het over het hoofd zien van de hoogfrequente fout.
- Overreactie op vals positief: het geluid verwarren met een echte storing en de gezonde machine stoppen.
Samengevat
- Predictief onderhoud leest de machinestatus uit sensoren zoals trillingen, temperatuur en stroom en voorspelt vooraf storingen.
- In het trillingsspectrum produceert elke faalmodus een piek met een karakteristieke frequentie; De opmerking vereist kennis van toerental en lager.
- De door de AI gegeven foutinterpretatie is een hypothese; De karakteristieke frequentie moet worden geverifieerd door kalibratie en veldinspectie.
- De sensor zelf kan defect raken; "Verifieer eerst de sensor" is de eerste regel.
- De trend is net zo belangrijk als de absolute drempel; Langzame degradatie geeft vroegtijdige waarschuwing. De onderhoudsbeslissing behoort toe aan de bevoegde ingenieur.
Applicatie taak
Kies een roterende machine (pomp, ventilator, motor). Noteer het toerental en het lagernummer van de machine, indien van toepassing. Neem een actueel of voorbeeld trillingsspectrum/temperatuurtijdreeks en laat de AI deze interpreteren met zijn context. Voor elke faalhypothese laat de AI zien: controleer zelf de karakteristieke frequentie (verifieer BPFO/BPFI-berekening indien lager), evalueer de mogelijkheid van sensorstoring en schrijf op hoe u dit in het veld gaat verifiëren. Destilleer ten slotte de bevindingen in een aanbeveling op drie niveaus (onmiddellijk stoppen / inspecteren op schema / doorgaan met monitoren) en geef aan waarom de uiteindelijke onderhoudsbeslissing bij de gekwalificeerde ingenieur blijft.
controlelijst
- [ ] De machinecontext (type, toerental, lager/overbrenging, meetpunt) wordt gegeven.
- [ ] Gegevenskwaliteit en bemonsteringsfrequentie (Nyquist) gecontroleerd.
- [ ] De door AI weergegeven foutfrequenties zijn geverifieerd door middel van karakteristieke frequentieberekening.
- [ ] Mogelijkheid tot sensorkalibratie/verbindingsfout geëvalueerd.
- [ ] Naast de absolute drempel werd ook de trend onderzocht.
- [ ] Opmerking bevestigd door veldinspectie; De onderhoudsbeslissing werd overgelaten aan de bevoegde ingenieur.