Lageranalyse:los het probleem op, niet de storing

Het doel van dit artikel is om de mentaliteit te ontwikkelen voor het opsporen en oplossen van problemen en niet alleen voor het opsporen van fouten. We zien vaak voorbeelden van volledig kapotte lagers en daarnaast de spectrale en trillingsgegevens die de storing hebben gedetecteerd. Hiervoor moet een meertrapsbenadering zijn:het trillingsbewakingsprogramma moet worden gebruikt om het probleem zo vroeg mogelijk te detecteren en de onderhoudsafdeling moet daarop actie ondernemen (en dat mag niet zijn om het lager te vervangen; het mag gewoon een smeerprobleem zijn). Als het lager wordt vervangen, is het essentieel dat het op het juiste moment wordt vervangen. Dat is de sleutel. Als het te vroeg wordt gewijzigd, zeggen mensen dat het systeem gebrekkig is. Als het te laat wordt gewijzigd, kan het andere componenten beschadigen en het bewijs dat ons kan vertellen wat het probleem was, kan worden vernietigd. Het doel is om proactief te zijn en niet reactief.

Het beslissingsondersteunende systeem SKF Bearing Inspector is gericht op het bieden van hogere snelheid, consistentie en hogere kwaliteit in het besluitvormingsproces voor lagers. Het moet helpen voorkomen dat lagerschade of defecten terugkeren. Zoals met elk op kennis gebaseerd computersysteem, verzamelt SKF Bearing Inspector alle relevante informatie en beschikbare ervaring over rollagerschade - van basisprincipes tot praktische technische resultaten. Causale relaties tussen symptomen en mogelijke redenen bestaan ​​in werkelijkheid niet en kunnen gemakkelijk tot verkeerde conclusies leiden. Dit komt simpelweg omdat de redenen (bijv. verkeerde lagermontage) resulteren in de schadesymptomen (bijv. Tekenen van fretting) en niet andersom. Een modellering van een relatie van oorzaken naar symptomen waarbij onzekerheid is verbonden aan “mogelijke faaltoestanden” past veel beter bij de fysieke verschijnselen die optreden tijdens de levensduur van lagers. Met behulp van state-of-the-art computational intelligence-technieken is deze benadering gevolgd voor de ontwikkeling van het programma.

Dit artikel volgt de ISO 15243:2004-norm als referentie.

Het probleem
Conditiebewakingstools worden vaak gebruikt als een manier om defecten of storingspatronen in roterende machines te detecteren. We gebruiken vaak conditiebewakingstools om voorspellend te zijn in onze onderhoudsplanning om vervolgens reactief te zijn in wat we daadwerkelijk doen. Voordat we kunnen bestuderen hoe we de tools kunnen gebruiken om storingen te voorkomen, moeten we enkele van deze modewoorden begrijpen en kijken wat we moeten doen om de verzamelde gegevens te gebruiken. Er moet ook een strategie zijn om te bepalen wat er moet worden verzameld en hoe de gegevens kunnen worden omgezet in effectieve informatie. Neem het geval van een lager (afbeeldingen hieronder):hebben we het probleem goed opgespoord of hebben we alleen een storing geconstateerd? Je zou kunnen zeggen dat we een catastrofale storing van de machine hebben voorkomen, maar wat was de oorzaak en kunnen we voorkomen dat het nog een keer gebeurt?

Figuur 1. Omhuld spectrum van het lager

Figuur 2. Golfvorm van de peiling

Figuur 3. Cyclische tijdanalyse van de peiling

Dit lager was een aantal keren defect geraakt, maar het enige dat werd gedaan was het vervangen van het lager, wat een zeer dure en tijdrovende klus is. Door een tijdsblok met gegevens te nemen, is het mogelijk om de uiteinden samen te voegen om de gegevens in een profielplot weer te geven. Dit tijdsblok vertegenwoordigt één omwenteling van het lager. De gegevens worden vervolgens tijdsynchroon gemiddeld met behulp van een virtuele trigger die is ingesteld op de tijdsduur van 1 rpm. Deze gegevens laten nu duidelijk zien dat er twee belastingszones zijn in dit lager, en dat zal uiteindelijk leiden tot stress in de binnenring en kooi, en er zal een storing optreden. Het dagboek werd gecontroleerd en bleek ovaal te zijn; het werd vervolgens machinaal bewerkt en het lager correct gemonteerd. Het lager is sindsdien in gebruik geweest en vertoont geen tekenen van een probleem.

Root cause failure analyse en proactief onderhoud werkten. Het is belangrijk om deze technieken te gebruiken voordat de functionele storing optreedt. De sleutel is om het probleem op te lossen, niet de storing.

Smering
Wanneer de smering van een lager begint te falen, veroorzaakt dit over het algemeen een toename van trillingen, geluid of akoestische emissie. Een smeermanagementregime is vaak gebaseerd op het luisteren naar het lager. Dit kan werken, maar verreweg de beste manier is om de gegevens te vergelijken met technische eenheden. De volgende trend laat zien wat er met een lager gebeurde toen het werd gesmeerd.

Figuur 4.

Het kan worden gezien dat het probleem blijkbaar is opgelost, maar het trillingsniveau keerde nooit terug naar het niveau van vóór het probleem. Het verhoogde niveau na smering was te wijten aan kleine deeltjes vuil die nog in het vet zaten. De tijdgolfvormgegevens zijn genomen tijdens het smeren van het lager. Het is duidelijk te zien dat het probleem is verborgen door te smeren.

Figuur 5.

Beslisondersteunend systeem voor analyse van de storingsmodus van lagers
Het verkrijgen van inzicht en informatie over rollagerschade en -storingen is van strategisch belang voor SKF en haar klanten. De kennis die is verzameld over lagerschade is toegankelijk voor SKF-ingenieurs als een web-enabled beslissingsondersteunend systeem genaamd SKF Bearing Inspector. In combinatie met de kennis van hoe lagerdefectpatronen verschijnen in conditiebewakingssystemen, kan de analyse van de oorzaak van storingen aanzienlijk worden verbeterd.

Het beslissingsondersteunende systeem, SKF Bearing Inspector, is gericht op het bieden van hogere snelheid, consistentie en hogere kwaliteit in het besluitvormingsproces voor lagers. Het moet helpen voorkomen dat lagerschade of defecten zich opnieuw voordoen. Zoals met elk op kennis gebaseerd computersysteem, verzamelt SKF Bearing Inspector alle relevante informatie en beschikbare ervaring over rollagerschade - van basisprincipes tot praktische technische resultaten.

De huidige op kennis gebaseerde systemen hebben geprofiteerd van de ervaring van expertsystemen die in de jaren tachtig zijn ontwikkeld, hoewel deze te kampen hadden met grote tekortkomingen in aspecten van redeneervermogen en computervermogen. Deze systemen waren vaak gestructureerd als beslisbomen die leidden van symptomen naar mogelijke oorzaken. Causale relaties tussen symptomen en mogelijke redenen bestaan ​​in werkelijkheid niet en kunnen gemakkelijk tot verkeerde conclusies leiden. Dit komt simpelweg omdat de redenen (bijv. verkeerde montage van de lagers) resulteren in de schadesymptomen (bijv. frettekens), en niet andersom. Een modellering van een relatie van oorzaken naar symptomen – waarbij onzekerheid is verbonden aan “mogelijke faaltoestanden” – past veel beter bij de fysieke verschijnselen die optreden tijdens de levensduur van lagers. Met behulp van state-of-the-art computational intelligence-technieken is deze benadering gevolgd voor de ontwikkeling van het programma.

Kennissysteem
Binnen een kennissysteem wordt doorgaans onderscheid gemaakt tussen het modelleren van de kennis met een bepaalde kennisrepresentatie en het redeneerprincipe, om zo probleemoplossend vermogen af ​​te leiden. Met betrekking tot kennisrepresentatie bestaan ​​er verschillende vormen, zoals:

Gevallen: Veel ervaringen met lagerstoringen zijn te vinden in casusvoorbeelden. Helaas zijn veel praktijkgevallen niet goed gedocumenteerd en bestaat er geen uniformiteit met betrekking tot de gedocumenteerde parameters of faalwijze-conclusies. Voorbeeldgevallen kunnen echter worden gebruikt om andere kennisrepresentaties te modelleren of te verifiëren.

Regels: Het is mogelijk om als-dan-regels te generaliseren tussen waargenomen symptomen en mogelijke oorzaken. Dit is echter niet gepast omdat verschillende oorzaken vergelijkbare effecten kunnen hebben die lijken op vergelijkbare symptomen.

Kunstmatige neurale netwerken: Wiskundige relaties tussen symptomen en oorzaken kunnen worden afgeleid aan de hand van voorbeelden van faalgevallen. Er zijn echter niet voldoende discriminerende gevallen om dit te doen. Bovendien hebben systeemgebruikers aanvullende uitleg nodig in plaats van kunstmatige neurale netwerkrelaties in de zwarte doos die dergelijke verklaringen niet hebben.

Probabilistische netwerken: Het is mogelijk om visuele netwerken af ​​te leiden, waarin knooppunten zijn verbonden door causale verbanden, gebaseerd op lageruitvaltheorie en ervaring. Verder worden waarschijnlijkheden toegekend die de zwakte of sterkte van die relaties aangeven. Door correcte causaliteit van omstandigheden naar waarnemingen te introduceren, past deze kennisrepresentatie het beste bij het probleem van de diagnose van lagerstoringen. Analyse van lagerschade en defecten is vooral een diagnostische taak. Stel je voor dat een patiënt met een specifieke klacht zijn huisarts bezoekt. De arts bevraagt ​​de patiënt eerst over specifieke lichaams- en leefstijlparameters zoals gewicht, roken, etc. (condities). Op basis van die informatie maakt de arts hypothesen over waarschijnlijke ziekten (failure modes). De arts verifieert of verwerpt deze hypothesen door verdere ondervraging en inspectie van de patiënt (symptomen). Het proces van een schade- of faalanalyse is vergelijkbaar met de aanpak van de arts. Bij een juiste diagnose zijn er twee redeneerstappen:

1. Het genereren van hypothesen is waar mogelijke faalhypothesen worden gegenereerd op basis van gegevens. De arts begint bijvoorbeeld vragen te stellen om een ​​idee (hypothese) te krijgen van wat er mis zou kunnen zijn.
2. Hypothesen verifiëren of verwerpen. Een voor een worden de gegenereerde hypothesen onderzocht en geverifieerd of verworpen. De arts begint bijvoorbeeld de meest waarschijnlijke ziekten te onderzoeken door specifieke medische tests uit te voeren (bloeddruk, hartslag, enz.).

Met een probabilistisch netwerk wordt de redenering in twee stappen geïmplementeerd door voorwaartse en achterwaartse waarschijnlijkheidsberekeningen.

Meer over probabilistisch netwerk
Het probabilistische netwerk is een visueel netwerk waarin knooppunten zijn verbonden door causale relaties en kansberekeningen worden toegepast. Het netwerk voor lageruitvalanalyse kent vier knooppuntcategorieën:omstandigheden, interne mechanismen, faalwijzen en waargenomen symptomen. Condities vertegenwoordigen de omstandigheden van waaruit en waaronder het lager werkt. Voorbeelden zijn snelheden, lagertype, belasting, temperatuur, installatiedetails, omgevingsfactoren, enz. Interne mechanismen vertegenwoordigen de fysieke verschijnselen die optreden tijdens bedrijf, zoals smering, filmverstoring, glijdend contact, enz. Storingsmodi vertegenwoordigen de soorten storingen, zoals door de ondergrond veroorzaakte vermoeidheid en wrijvingscorrosie.

In Tabel 1 zijn de verschillende faalwijzen opgesomd. Waargenomen symptomen vertegenwoordigen de waarneembare verschijnselen binnen en buiten het lager, waaronder verkleuring, spatten, roest, enz. Ongeveer 150 knooppunten zijn verbonden door causale verbanden tussen de omstandigheden van de lagertoepassing, verborgen mechanismen, fysieke faalwijzen en waargenomen symptomen. Bij de modellering van het netwerk is gebruik gemaakt van verschillende informatiebronnen. Naast het definiëren van de knooppunten, de causale relaties en kansen, worden uitlegteksten (per knooppunt) met voorbeelden en afbeeldingen ontwikkeld. In totaal zijn er ongeveer 250 foto's in het systeem opgenomen.

Figuur 6. ISO 15243:2004

Figuur 7.

Casestudy van Bearing Inspector
De Bearing Inspector bevat een aantal veelvoorkomende gevallen van lagerschade die te vinden zijn onder "Typische Cases". Deze kunnen als trainingsmateriaal worden gebruikt om te laten zien hoe de Lagerinspecteur de analyse van een lagerschadeonderzoek ondersteunt. Een voorbeeld is een elektromotor in een papierfabriek. In dit geval wordt een elektrisch geïsoleerd cilinderrollager NU 322 ECM/C3VL024 gebruikt in een elektromotor van een papieroproller in het haspelgedeelte van een tissuepapiermachine. Het toerental van de elektromotor is variabel (400 VAC met frequentieomvormer) en loopt tussen 1.000 en 1.500 min-1. Na slechts een maand gebruik werd echter zware slijtage waargenomen aan de binnen- en buitenringen. Het laden van de voorbeeldcassette in SKF Bearing Inspector stelt alle bekende toepassingsomstandigheden in (stap 1).

Op basis van deze toepassingsomstandigheden wordt de eerste hypothese van mogelijke faalwijzen berekend. Op dit punt in de analyse geeft Bearing Inspector een grote kans op valse brinelling, lijmslijtage en stroomlekkage. Op het eerste gezicht lijken stroomlekkage en valse brinelling onwaarschijnlijk omdat de machine gebruik maakt van geïsoleerde lagers en alle machines goed worden ondersteund met rubberen pads. De gebruiker moet dan de tweede stap van de analyse uitvoeren door de peiling op storingssymptomen te inspecteren. Als u op "inspecteren" klikt, krijgt u een lijst met schadesymptomen die het meest relevant zijn voor de geselecteerde storingsmodus.

Het lager wordt eerst geïnspecteerd op valse brinelling. Omdat er geen ondiepe depressies worden gevonden die valse brinelling kunnen verifiëren, wordt deze faalmodus verworpen. De analyse wordt voortgezet met inspectie van symptomen van lijmslijtage. Geen van de symptomen die verband houden met lijmslijtage worden ook gevonden. Ten slotte wordt door het inspecteren van symptomen van elektrische stroomlekkage de aanwezigheid van kleine putjes gevonden na vergroting van het loopbaanoppervlak. Dit verifieerde de huidige lekkagefoutmodus. Vervolgens ontdekte de klant inderdaad een aardingsprobleem in de winderconstructie waardoor de elektrische stroom lekte.

Afbeelding 8. Voorbeeld Stap 1:Aan de toepassingsvoorwaarden wordt voldaan door de gegevens van de elektromotoropwinder te laden, waaronder andere lagertype, coating, snelheden, enz. Gedetailleerde informatie en voorbeelden worden gegeven onder de informatieknop.

Figuur 9. Voorbeeld Stap 2:Bearing Inspector geeft zijn eerste diagnose op basis van de informatie tot nu toe; de vertrouwensfactoren zijn inbegrepen.

Figuur 10. Voorbeeld Stap 3:Inspectie van symptomen voor stroomlekkage storingsmodus. Na inspectie en vergroting van het baanoppervlak wordt kleine pitting bevestigd. Onder de informatieknop vindt u verschillende voorbeelden.

Figuur 11. Voorbeeld van definitieve diagnose:Resultaten zijn gebaseerd op de opgegeven toepassingsomstandigheden (stap 1) en lagersysteeminspecties (stap 2). de meest relevante faalwijzen en gerelateerde interne mechanismen worden opgesomd. De resultaten kunnen worden afgedrukt als een Microsoft Word-document of een HTML-rapport.

In plaats van alle mogelijke waarnemingen en niet-ingevulde voorwaarden te onderzoeken, worden de meest relevante voorgesteld, afhankelijk van de faalhypothese (of interne mechanismen) die moeten worden onderzocht. Met andere woorden, dit zijn de toepassingsvoorwaarden of waarnemingen die het meest onderscheidende effect hebben op de faalhypothese. Het onderscheidende effect wordt bepaald door een wiskundige maatstaf.

Voor alle mogelijke niet ingevulde condities of waarnemingen wordt deze maat geschaald tussen 0 en 100. Een voorbeeld wordt gegeven in de afbeeldingen. Door de toepassingsvoorwaarden en observaties te onderzoeken, wordt uiteindelijk de waarschijnlijkheid van de faalhypothesen en interne mechanismen bepaald en gerangschikt. Deze vormen vervolgens de conclusies van de lagerschadeanalyse. Het systeem is verder uitgebreid met diverse functies die de gebruiker kunnen helpen. Er wordt een eenvoudig bestand met gebruikersinstructies meegeleverd om aan de slag te gaan. Sessiegegevensbeheer is beschikbaar voor het opslaan en ophalen van sessiegegevens. Ook kunnen gebruikers in een bestand met de aanduiding "Typische voorbeelden" door de toepassing van het programma worden geleid. Voor het gemak kan een uitgebreide rapportage worden gegenereerd in Microsoft Word- of HTML-formaat, inclusief de relevante condities, observaties en faalkansen.

Conclusies
Bearing Inspector komt tegemoet aan de behoefte aan een snel, consistenter en kwalitatief beter besluitvormingsproces voor onderzoek naar lagerschade en defecten. Dit web-enabled systeem is beschikbaar voor SKF-ingenieurs om klanten te ondersteunen bij onderzoek naar lagerschade en defecten. Het kan helpen om te bepalen hoe een lager defect is geraakt en dus hoe ervoor te zorgen dat dezelfde fout niet opnieuw kan gebeuren. Deze storingspatronen moeten vervolgens worden gebruikt om te bepalen hoe een op trillingen gebaseerd conditiebewakingsprogramma moet worden geconfigureerd.