Прогностическое обслуживание

Методы прогнозного технического обслуживания разработаны, чтобы помочь определить состояние находящегося в эксплуатации оборудования и оценить, когда следует провести техническое обслуживание. Этот подход обещает экономию средств по сравнению с плановым или плановым профилактическим обслуживанием , поскольку задачи выполняются только тогда, когда это оправдано. Таким образом, оно рассматривается как техническое обслуживание по состоянию, проводимое в соответствии с оценками состояния деградации объекта. ^[1]^[2]

Основная задача профилактического обслуживания — обеспечить удобное планирование корректирующего обслуживания и предотвратить неожиданные сбои оборудования. Ключевым моментом является «нужная информация в нужное время». Зная, какое оборудование нуждается в техническом обслуживании, можно лучше спланировать работы по техническому обслуживанию (запасные части, персонал и т. д.), а то, что раньше было «незапланированными остановками», преобразуется в более короткие и меньшие «плановые остановки», тем самым увеличивая эксплуатационную готовность предприятия. Другие потенциальные преимущества включают увеличенный срок службы оборудования, повышенную безопасность предприятия, меньшее количество аварий с негативным воздействием на окружающую среду и оптимизированное обращение с запасными частями.

Прогнозирующее обслуживание отличается от профилактического обслуживания, поскольку оно опирается на фактическое состояние оборудования, а не на средние или ожидаемые статистические данные о сроке службы, чтобы предсказать, когда потребуется обслуживание. Подходы машинного обучения применяются для определения фактического состояния системы и прогнозирования ее будущего состояния. ^[3]

Некоторыми из основных компонентов, необходимых для реализации профилактического обслуживания, являются данных сбор и предварительная обработка , раннее обнаружение неисправностей , обнаружение неисправностей, прогнозирование времени до отказа , планирование технического обслуживания и оптимизация ресурсов. ^[4] Прогнозируемое техническое обслуживание также считается одной из движущих сил повышения производительности и одним из способов достижения « точно в срок » в производстве. ^[5]

Обзор

Прогнозное обслуживание оценивает состояние оборудования путем периодического (автономного) или непрерывного (онлайн) мониторинга состояния оборудования . Конечная цель подхода — выполнять техническое обслуживание в запланированный момент времени, когда деятельность по техническому обслуживанию наиболее рентабельна и до того, как оборудование потеряет производительность в пределах порогового значения. Это приводит к сокращению затрат на незапланированные простои из- за сбоев, которые могут исчисляться сотнями тысяч в день в зависимости от отрасли. ^[6] В производстве энергии, помимо потери доходов и затрат на компоненты, могут взиматься штрафы за непоставку, что еще больше увеличивает затраты. В этом отличие от технического обслуживания, основанного на времени и/или количестве операций, при котором часть оборудования обслуживается независимо от того, нужно оно ему или нет. Техническое обслуживание, основанное на времени, является трудоемким, неэффективным при выявлении проблем, возникающих между плановыми проверками, и, следовательно, нерентабельным.

«Прогнозирующий» компонент профилактического обслуживания вытекает из цели прогнозирования будущей тенденции состояния оборудования. В этом подходе используются принципы статистического управления процессами, чтобы определить, в какой момент в будущем мероприятия по техническому обслуживанию будут целесообразными.

Большинство профилактических проверок проводятся во время эксплуатации оборудования, что сводит к минимуму нарушение нормальной работы системы. Внедрение профилактического обслуживания может привести к существенной экономии средств и повышению надежности системы . В сегодняшней динамичной среде сервисного обслуживания длительные процессы ремонта представляют собой серьезную проблему для организаций, стремящихся поддерживать операционную эффективность. Длительное время простоя, увеличение среднего времени ремонта (MTTR) и производственные потери не только влияют на прибыльность, но также нарушают непрерывность обслуживания и снижают удовлетворенность клиентов. Поскольку оборудование стареет, а требования к техническому обслуживанию возрастают, поиск инновационных решений становится все более актуальным.

В техническом обслуживании, ориентированном на надежность, особое внимание уделяется использованию методов прогнозного обслуживания в дополнение к традиционным профилактическим мерам. При правильном внедрении он предоставляет компаниям инструмент для достижения минимальной чистой текущей стоимости активов при заданном уровне производительности и риска. ^[7]

Одной из целей является передача данных профилактического обслуживания в компьютеризированную систему управления техническим обслуживанием , чтобы данные о состоянии оборудования отправлялись на нужный объект оборудования для запуска планирования технического обслуживания, выполнения рабочих заданий и составления отчетов. ^[8] Если этого не будет достигнуто, решение по профилактическому обслуживанию будет иметь ограниченную ценность, по крайней мере, если решение будет реализовано на предприятии среднего и крупного размера с десятками тысяч единиц оборудования. В 2010 году горнодобывающая компания Boliden внедрила комбинированную систему распределенного управления и решение по профилактическому техническому обслуживанию, интегрированное с компьютеризированной системой управления техническим обслуживанием предприятия на уровне объектов, передавая данные оборудования с использованием таких протоколов, как Highway Addressable Remote Transducer Protocol , IEC61850 и OLE для процесса. контроль .

Технологии

Для оценки состояния оборудования при профилактическом обслуживании используются технологии неразрушающего контроля, такие как инфракрасный , акустический (частичный разряд и воздушный ультразвук), обнаружение коронного разряда, анализ вибрации , измерения уровня звука, анализ масла и другие специальные онлайн-тесты. Новый подход в этой области заключается в использовании измерений на реальном оборудовании в сочетании с измерениями производительности процесса, измеряемыми другими устройствами, для запуска технического обслуживания оборудования. В первую очередь это доступно в системах совместной автоматизации процессов (CPAS). Измерения на месте часто поддерживаются беспроводными сенсорными сетями, чтобы снизить стоимость проводки.

Анализ вибрации наиболее эффективен на высокоскоростном вращающемся оборудовании и может быть самым дорогим компонентом программы PdM, требующим запуска и запуска. Анализ вибрации, если он выполнен правильно, позволяет пользователю оценить состояние оборудования и избежать сбоев. Последнее поколение анализаторов вибрации включает в себя больше возможностей и автоматизированных функций, чем его предшественники. Многие устройства отображают полный спектр вибрации по трем осям одновременно, обеспечивая моментальное представление того, что происходит с конкретной машиной. Но, несмотря на такие возможности, даже самое сложное оборудование не сможет успешно предсказать возникновение проблем, если оператор не понимает и не применяет основы анализа вибрации. ^[9]

В определенных ситуациях сильные фоновые помехи от нескольких конкурирующих источников могут маскировать интересующий сигнал и препятствовать промышленному применению датчиков вибрации . Следовательно, анализ характеристик тока двигателя (MCSA) является неинтрузивной альтернативой измерению вибрации, которая может отслеживать неисправности как электрических, так и механических систем.

Дистанционный визуальный контроль является первым неразрушающим контролем. Он обеспечивает экономически эффективную первичную оценку. Важную информацию и параметры по умолчанию можно получить по внешнему виду детали, например, по складкам, разрывам, трещинам и коррозии. Дистанционный визуальный осмотр должен проводиться в хороших условиях при достаточном освещении (не менее 350 люкс). Когда часть детали, подлежащей контролю, недоступна напрямую, используется инструмент из зеркал и линз, называемый эндоскопом. Скрытые дефекты с внешними неровностями могут указывать на более серьезный дефект внутри. ^{[ нужна ссылка ]}

Акустический анализ может проводиться на звуковом или ультразвуковом уровне. Новые ультразвуковые методы мониторинга состояния позволяют «услышать» трение и напряжение во вращающихся машинах, что позволяет прогнозировать ухудшение состояния раньше, чем традиционные методы. ^[10] Ультразвуковая технология чувствительна к высокочастотным звукам, неслышимым для человеческого уха, и отличает их от низкочастотных звуков и механической вибрации. Волны трения и напряжения машины издают характерные звуки в верхнем ультразвуковом диапазоне. Изменения в этих волнах трения и напряжения могут свидетельствовать об ухудшении условий гораздо раньше, чем такие технологии, как вибрация или анализ масла. При правильном ультразвуковом измерении и анализе можно отличить нормальный износ от ненормального износа, физического повреждения, дисбаланса и проблем со смазкой на основе прямой связи между активом и условиями эксплуатации.

Оборудование звукового мониторинга дешевле, но оно также имеет меньше применений, чем ультразвуковые технологии. Звуковая технология полезна только для механического оборудования, в то время как ультразвуковое оборудование может обнаруживать электрические проблемы и является более гибким и надежным при обнаружении механических проблем.

Инфракрасный мониторинг и анализ имеет самый широкий спектр применения (от высокоскоростного до низкоскоростного оборудования) и может быть эффективен для выявления как механических, так и электрических неисправностей; некоторые считают, что в настоящее время это наиболее экономически эффективная технология. Анализ нефти — это долгосрочная программа, которая, при необходимости, в конечном итоге может быть более прогнозирующей, чем любая другая технология. Чтобы нефтяная программа завода достигла такого уровня сложности и эффективности, могут потребоваться годы. Аналитические методы, выполняемые на пробах масла, можно разделить на две категории: анализ отработанного масла и анализ частиц износа. Анализ отработанного масла позволяет определить состояние самой смазки, определить качество смазки и проверить ее пригодность для дальнейшего использования. Анализ частиц износа определяет механическое состояние смазываемых компонентов машины. С помощью анализа частиц износа вы можете определить состав присутствующего твердого материала и оценить тип частиц, размер, концентрацию, распределение и морфологию. ^[11]

Использование мониторинга состояния на основе моделей для программ профилактического обслуживания со временем становится все более популярным. Этот метод включает в себя спектральный анализ сигналов тока и напряжения двигателя, а затем сравнение измеренных параметров с известной и изученной моделью двигателя для диагностики различных электрических и механических аномалий. Этот процесс мониторинга состояния «на основе модели» изначально был разработан и использовался на космическом корабле НАСА для мониторинга и обнаружения развивающихся неисправностей в главном двигателе космического корабля. ^[12] Оно позволяет автоматизировать задачи сбора и анализа данных, обеспечивая круглосуточный мониторинг состояния и предупреждение о неисправностях по мере их развития. Другие методы профилактического обслуживания связаны со стратегиями интеллектуального тестирования. ^[13]

Приложения

Экологический мониторинг

Обнаружение изменений калибровочного распределения (т. е. статистического распределения загрязняющих веществ и условий окружающей среды) для недорогих систем датчиков газа. ^[14]

железная дорога

Обнаруживайте предупреждающие знаки до того, как они приведут к простою линейных, стационарных и мобильных активов. ^[15]
Повышение безопасности и обнаружение пустот на путях благодаря новой системе мониторинга из кабины транспортного средства.
Также может определить тип путевого объекта, под которым находится пустота, и указать серьезность пустоты.
Мониторинг состояния стрелочных машин (устройств, используемых для управления железнодорожными стрелками) может помочь обнаружить ранние симптомы деградации до выхода из строя.·

Производство

Раннее обнаружение и диагностика неисправностей в обрабатывающей промышленности. ^[5]
Производители все чаще собирают большие данные с датчиков Интернета вещей (IoT) на своих заводах и в продуктах и используют различные алгоритмы для сбора данных, чтобы обнаружить предупреждающие признаки дорогостоящих сбоев до того, как они произойдут. ^[16]

Нефть и газ

Нефтяным и газовым компаниям часто не хватает информации о состоянии своего оборудования, особенно в отдаленных морских и глубоководных местах. ^[17]
Большие данные могут дать ценную информацию нефтегазовым компаниям, позволяя анализировать и прогнозировать отказы оборудования и оптимальный срок службы системы и компонентов. ^[17]

См. также

Ссылки

^ Гориво, Рафаэль; Меджахер, Камаль; Зерхуни, Нуреддин (14 ноября 2016 г.). От прогностики и управления системами здравоохранения к профилактическому обслуживанию 1: мониторинг и прогнозирование . ISTE Ltd и John Wiley & Sons, Inc. ISBN 978-1-84821-937-3 .
^ Мобли, Р. Кейт (2002). Введение в профилактическое обслуживание (2-е изд.). Баттерворт-Хайнеманн. стр. 4–6. ISBN 978-0-7506-7531-4 .
^ Сусто, Джан Антонио (2015). «Машинное обучение для прогнозного обслуживания: подход с использованием множественных классификаторов» . Транзакции IEEE по промышленной информатике . 11 (3): 812–820. дои : 10.1109/TII.2014.2349359 . S2CID 18888927 .
^ Амрутнатх, Нагдев; Гупта, Тарун (февраль 2018 г.). «Прогнозирование класса неисправности при обучении без учителя с использованием подхода кластеризации на основе моделей» . Исследовательские ворота . дои : 10.13140/rg.2.2.22085.14563 . Проверено 19 января 2022 г.
^ Jump up to: ^а ^б Амрутнатх, Нагдев; Гупта, Тарун (апрель 2018 г.). «Исследование алгоритмов машинного обучения без учителя для обнаружения неисправностей при профилактическом обслуживании» . Исследовательские ворота . дои : 10.13140/rg.2.2.28822.24648 . Проверено 19 января 2022 г.
^ «Насколько профилактическое обслуживание экономит ваши деньги?» . LearnOilAnaанализ.com . Архивировано из оригинала 3 октября 2017 г. Проверено 3 декабря 2017 г.
^ Мазер, Д. (2008). «Ценность РКМ» . Услуги завода .
^ Пэн, К. (2012). Управление оборудованием в эпоху после технического обслуживания: новая альтернатива комплексному производственному обслуживанию (TPM) . ЦРК Пресс. стр. 132–136. ISBN 9781466501942 . Проверено 18 мая 2018 г.
^ Юнг, Чак (9 июня 2006 г.). «Анализ вибрации: что это значит?» . Услуги завода .
^ Кеннеди, Шейла (2006). «Новые инструменты для PdM» . plantservices.com . Путман Медиа . Проверено 19 ноября 2019 г.
^ Робин, Лана (15 августа 2006 г.). «Ловкие трюки в анализе масла» . Услуги завода .
^ Дуяр, Ахмет; Меррилл, Уолтер (март 1992 г.). «Диагностика неисправностей главного двигателя космического корабля шаттла». Журнал руководства, контроля и динамики . 15 (2): 384–9. Бибкод : 1992JGCD...15..384D . дои : 10.2514/3.20847 .
^ Дуек-Пинкович Ю., Бен-Гал И. и Равив Т. (2022). «Проблема сбора стохастических тестов: модели, точные и эвристические подходы к решению» (PDF) . Европейский журнал операционных исследований, 299 (2022), 945–959. {{cite web}}: CS1 maint: несколько имен: список авторов ( ссылка ) CS1 maint: числовые имена: список авторов ( ссылка )
^ Танцев, Георгий (май 2021 г.). «Значение компонентов дрейфа и изменчивости между блоками при прогнозирующем обслуживании недорогих электрохимических сенсорных систем при мониторинге качества воздуха» . Датчики . 21 (9): 3298. дои : 10.3390/s21093298 . ПМЦ 8126229 .
^ Льготы на прогнозируемое техническое обслуживание для железнодорожной отрасли , данные получены 19 ноября 2016 г.
^ 5 вариантов использования прогнозируемого обслуживания и больших данных, Oracle Corporation, CA 94065, США. , получено 8 ноября 2018 г.
^ Jump up to: ^а ^б 22 варианта использования больших данных, которые вы хотите знать, Oracle Corporation, CA 94065, США. , получено 31 октября 2018 г.

[1] Гориво, Рафаэль; Меджахер, Камаль; Зерхуни, Нуреддин (14 ноября 2016 г.). От прогностики и управления системами здравоохранения к профилактическому обслуживанию 1: мониторинг и прогнозирование . ISTE Ltd и John Wiley & Sons, Inc. ISBN 978-1-84821-937-3 .

[2] Мобли, Р. Кейт (2002). Введение в профилактическое обслуживание (2-е изд.). Баттерворт-Хайнеманн. стр. 4–6. ISBN 978-0-7506-7531-4 .

[3] Сусто, Джан Антонио (2015). «Машинное обучение для прогнозного обслуживания: подход с использованием множественных классификаторов» . Транзакции IEEE по промышленной информатике . 11 (3): 812–820. дои : 10.1109/TII.2014.2349359 . S2CID 18888927 .

[4] Амрутнатх, Нагдев; Гупта, Тарун (февраль 2018 г.). «Прогнозирование класса неисправности при обучении без учителя с использованием подхода кластеризации на основе моделей» . Исследовательские ворота . дои : 10.13140/rg.2.2.22085.14563 . Проверено 19 января 2022 г.

[Amruthnath-5] Jump up to: ^а ^б Амрутнатх, Нагдев; Гупта, Тарун (апрель 2018 г.). «Исследование алгоритмов машинного обучения без учителя для обнаружения неисправностей при профилактическом обслуживании» . Исследовательские ворота . дои : 10.13140/rg.2.2.28822.24648 . Проверено 19 января 2022 г.

[6] «Насколько профилактическое обслуживание экономит ваши деньги?» . LearnOilAnaанализ.com . Архивировано из оригинала 3 октября 2017 г. Проверено 3 декабря 2017 г.

[7] Мазер, Д. (2008). «Ценность РКМ» . Услуги завода .

[PengEquip12-8] Пэн, К. (2012). Управление оборудованием в эпоху после технического обслуживания: новая альтернатива комплексному производственному обслуживанию (TPM) . ЦРК Пресс. стр. 132–136. ISBN 9781466501942 . Проверено 18 мая 2018 г.

[9] Юнг, Чак (9 июня 2006 г.). «Анализ вибрации: что это значит?» . Услуги завода .

[PlantServices-10] Кеннеди, Шейла (2006). «Новые инструменты для PdM» . plantservices.com . Путман Медиа . Проверено 19 ноября 2019 г.

[11] Робин, Лана (15 августа 2006 г.). «Ловкие трюки в анализе масла» . Услуги завода .

[12] Дуяр, Ахмет; Меррилл, Уолтер (март 1992 г.). «Диагностика неисправностей главного двигателя космического корабля шаттла». Журнал руководства, контроля и динамики . 15 (2): 384–9. Бибкод : 1992JGCD...15..384D . дои : 10.2514/3.20847 .

[13] Дуек-Пинкович Ю., Бен-Гал И. и Равив Т. (2022). «Проблема сбора стохастических тестов: модели, точные и эвристические подходы к решению» (PDF) . Европейский журнал операционных исследований, 299 (2022), 945–959. {{cite web}}: CS1 maint: несколько имен: список авторов ( ссылка ) CS1 maint: числовые имена: список авторов ( ссылка )

[14] Танцев, Георгий (май 2021 г.). «Значение компонентов дрейфа и изменчивости между блоками при прогнозирующем обслуживании недорогих электрохимических сенсорных систем при мониторинге качества воздуха» . Датчики . 21 (9): 3298. дои : 10.3390/s21093298 . ПМЦ 8126229 .

[15] Льготы на прогнозируемое техническое обслуживание для железнодорожной отрасли , данные получены 19 ноября 2016 г.

[16] 5 вариантов использования прогнозируемого обслуживания и больших данных, Oracle Corporation, CA 94065, США. , получено 8 ноября 2018 г.

[go.oracle.com-17] Jump up to: ^а ^б 22 варианта использования больших данных, которые вы хотите знать, Oracle Corporation, CA 94065, США. , получено 31 октября 2018 г.

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]

[11]

[12]

[13]

[14]

[15]

[16]

[17]