Essentiële inzichten in het voortschrijdende veld van condition monitoring

Er komen voortdurend nieuwe technologieën bij voor het monitoren, diagnosticeren en voorspellen van de gezondheid van machines. Fresh IIoT-leveranciers lijken maandelijks op de radar te verschijnen. Sensortechnologieën komen minder vaak voor, maar nieuwe opties voor gemeenschappelijke industriële meetgrootheden zijn een actief investeringsgebied geworden. En natuurlijk kun je alle nieuwe claims, platforms en tools in de wereld van kunstmatige intelligentie, die in een of andere vorm zijn ontstaan, niet missen.

Dit artikel is een voortdurende discussie over IoT-technologie, door een technoloog in een bescheiden poging om nieuwe producten te helpen informeren, verduidelijken en demystificeren die specifiek zijn voor de sectoren condition monitoring en voorspellend onderhoud.
 

Voorbij trillingen?

De vraag is gesteld:waarom zijn er niet meer draadloze sensoropties voor gewone industriële sensoren zoals oliecondities?

Het is een terechte vraag. Een deel van het antwoord ligt in de beschikbaarheid van kernsensortransducertechnologieën. De explosie aan draadloze sensoropties voor trillingen is niet alleen mogelijk gemaakt door verbeteringen in draadloze protocollen (zoals BLE), maar ook door goedkope MEMS-versnellingsmeters op chipschaal die verbeterde prestaties bij het meten van trillingen hebben. MEMS heeft ervoor gezorgd dat bedrijven met competenties op het gebied van IoT, maar minder ervaring met traditionele trillingsmetingen, de markt voor industriële conditiemonitoring konden betreden.

Hoewel er in een universitair laboratorium een sensor kan worden gevonden voor de verschillende indicatoren van gezonde olie of smering, zoals de aanwezigheid van deeltjes of vocht, zuurgraad, TAN/TBN, viscositeit, enz., onthult een onderzoek van in de handel verkrijgbare sensoren voor het monitoren van de olieconditie grote behuizingen die stroom verbruiken van industriële voedingen (d.w.z. 10 tot 30 VDC), die draadloze transmissie niet bijzonder ondersteunen.

Toch proberen IIoT-leveranciers tegemoet te komen aan de sensorbehoeften van de industrie door sensor-hub-topologieën toe te voegen aan hun portfolio van draadloze trillingsproducten. Deze hubs zijn in feite draadloze bruggen met poorten voor analoge ingangen die geschikt zijn om de uitgangen van algemeen verkrijgbare industriële sensoren aan te sluiten en te digitaliseren. Deze mogelijkheid kan helpen de reeks sensoren die beschikbaar zijn voor een conditiebewakingssysteem uit te breiden.

IIoT-hubs die vandaag beschikbaar zijn, kunnen sensorsignalen digitaliseren die proportioneel zijn aan de olietemperatuur en -vochtigheid, druk, temperatuursonde, ultrageluid, stroom en machinerotatie, die vervolgens via hetzelfde netwerk worden verzonden en weergegeven naar cloud- of mobiele applicaties als de trillingssensoren in het portfolio.

Figuur 1. De draadloze hub van KCF Technologies (LINKS) biedt IEPE-sensorpoorten, evenals tach-, ultrasoon- en oliekwaliteit/vochtigheid. De Petasense WIFI-hub (RECHTS) biedt poorten die echografie, stroom, druk, trillingen (triaxiaal en IEPE) en RTD-temperatuur ondersteunen.

Daarnaast zijn er IIoT-leveranciers die tools aanbieden voor smeermiddelonderhoud, zoals het verzamelen van smeergegevens en het noteren van vereiste acties op bestaande dashboards, naast trillingen.

Figuur 2. De op smeermiddelen gerichte PdM-diensten van IJssel hebben draadloze trillingsdetectie ontwikkeld, waarbij gegevens beschikbaar zijn naast olie-onderhoud op dezelfde dashboards (LINKS). De onlangs uitgebrachte OPTIME C1-oliedispenser van Schaeffler is in staat tot draadloze verbinding voor niveaubewaking, NFC-inbedrijfstelling en informatie over het olietype, waarbij gegevens beschikbaar zijn via dezelfde dashboards die gegevens weergeven die worden verzonden door de trillingssensor (RECHTS).

Ondanks deze ontwikkelingen lijkt het duidelijk dat het verzamelen van gegevens en de analyse van oliemonsters zal worden verzorgd door gekwalificeerde experts, terwijl sensoren en IIoT-tools worden ontwikkeld om de efficiëntie te verbeteren – net zoals de huidige stand van zaken op het gebied van de monitoring van trillingscondities.
 

De rol van AI:zijn we er al?

Het is vandaag de dag moeilijk om een website of social-mediaplatform te openen zonder een kop over kunstmatige intelligentie (AI) te zien. Maar wat betekent deze uitdrukking op dit moment werkelijk, vooral voor de industriële onderhoudsgemeenschap? Verschillende IIoT-leveranciers die de afgelopen vijf tot tien jaar de markt voor condition monitoring betreden, hebben de AI-mogelijkheden van hun trillingsdetectiesysteem zo sterk gepromoot. Is deze mogelijkheid de game changer geweest waar velen op hadden gehoopt?

Laten we om te beginnen eens wat dieper kijken naar de mogelijkheden die door sommige leveranciers worden beschreven, samen met enkele casestudy's waarin data-engineeringbenaderingen daadwerkelijk zijn toegepast op voorspellend onderhoud.

Figuur 3. Leveranciers van draadloze apparatuur die een vorm van op AI gebaseerde diagnostiek aanbieden. LINKS naar RECHTS – Symphony Industrial, Petasense, Nanoprecise en Augury.
 

Datagestuurde benaderingen kunnen in verschillende opzichten worden onderscheiden van klassieke trillingssignaalverwerking. Basisstatistieken kunnen worden toegepast op een trillingsgolfvorm om meerdere ‘indicatoren’ te creëren, die elk specifiek gevoelig zijn voor bepaalde aspecten van machinegedrag.

Data-engineering zal ook proberen gezondheidsindicatoren te creëren, maar dan op basis van meerdere gegevensbronnen. Diagnostiek zal gedeeltelijk effectief zijn door te onthullen welke bijdrager het meest verantwoordelijk was voor de verandering in de algemene gezondheidsindicator.

Samenwerking tussen de experts op het gebied van de activa en data-ingenieurs kan de foutdekking uitbreiden naar afwijkingen die verder gaan dan die welke gebruikelijk zijn bij roterende apparatuur. Er zijn ook goede resultaten aangetoond wanneer data-engineeringbenaderingen worden toegepast op bestaande procescontrolesignalen, zonder dat er nieuwe instrumenten worden toegepast.

Een trillingsspectrum, bekeken door een ervaren analist, kan veel onthullen over het zwakste onderdeel van een motor of pomp, maar deze zeer visuele diagnostische praktijk is niet gemakkelijk op te schalen. Een datagestuurde benadering van machinediagnostiek is daarentegen herhaalbaar en schaalbaar.

Als ze goed zijn getraind, zullen verschillende machine learning-algoritmen dag in dag uit op dezelfde manier presteren [1].

Figuur 4. Een gezondheidsindicatormodel afgeleid van trillingen, druk en stroomvolume wordt gebruikt om de gezondheid van een pomp te bewaken. Dominante bijdragende indicatoren zullen wijzen op een andere opkomende anomalie.
 

Batterijduur, voorkant en midden

Een zoektocht op internet naar literatuur over de levensduur van batterijen resulteert in een aanzienlijke discussie over EV's, maar slechts kostbare, weinig informatie over de rol en het gedrag van batterijen voor IIoT.

Batterijen zelf zijn complexe apparaten die lading elektrochemisch opslaan en afleveren, wat niet alleen betekent dat het vermogen om lading te leveren afhankelijk is van omgevingsomstandigheden zoals temperatuur, maar ook afhankelijk is van andere factoren die verband houden met de toepassing. Elke autobezitter in het noorden van de Verenigde Staten weet dat batterijen niet van koud weer houden. Maar hoeveel weten ze over de manieren waarop laadstroom de batterijcapaciteit kan beïnvloeden, of wat gebeurt er met de capaciteit als de batterij volledig doodgaat?

Als we de specificaties voor draadloze trillingssensorproducten bekijken, wordt het duidelijk dat de prestaties afhankelijk zijn van de bedrijfsomstandigheden en de specifieke toepassing. Maar de interpretatie van de soms vage voorwaarden die worden toegepast op de specificatie van de levensduur van de batterij is misschien niet eenvoudig.

Figuur 5. De capaciteit van een batterij om lading te leveren is afhankelijk van bedrijfsomstandigheden zoals temperatuur en gemiddelde stroombelasting. Meetcriteria voor het testen van batterijen, zoals de afsnijspanning of de ontladingsdiepte (DOD), zijn ook van cruciaal belang voor het schatten van de capaciteit. (Afbeelding tegoed:Saft-batterijen)

Over het algemeen omvatten omgevingsvariabelen voor IIoT-toepassingen de verwachte transmissieafstand (radiovermogen), de vele metalen obstakels in de faciliteit (herhaalde transmissie als gevolg van ontvangstfouten), de efficiëntie van het radioprotocol en de hoeveelheid verzonden gegevens. Vooral trillingsmetingen zijn een meetgrootheid die anders is dan alle andere.

Ervaren analisten willen de golfvorm graag zelf analyseren en voor machines met lagere rotatiesnelheden kan dit een trillingsmeting met hoge resolutie met monsterlengtes van seconden betekenen, wat resulteert in veel meer overgedragen gegevens dan alleen de huidige temperatuur.

Zoals je zou verwachten, stijgen de totale kosten naarmate de transmissieafstand groter wordt, omdat er meer energie wordt besteed aan het maken van de verbinding met de gateway en het verzenden van gegevens. Trillingssensoren zijn vaak geconfigureerd voor beperkte transmissies in een periode van 24 uur, wat ook betekent dat de ‘slaap’-modus de elektrische stroom domineert die gedurende die periode wordt verbruikt. Dit minimale stroomverbruik omvat circuitlekkage, die bij halfgeleiders toeneemt met de temperatuur.

Beide effecten zullen de levensduur van de batterij verkorten, omdat er voor elke transmissieperiode meer lading wordt geleverd.

Voorbeeldgegevens van veldtesten van draadloze trillingssensoren die de variabiliteit van de levensduur van de batterij van de draadloze sensor aantonen, zijn te zien in onderstaande gegevens. Het totaal verbruikte laadvermogen gedurende een periode van 24 uur onder verschillende omstandigheden laat een toename zien in het verbruikte laadvermogen, afhankelijk van zowel de afstand als de bedrijfstemperatuur.

Figuur 6. Enkele voorlopige resultaten van veldtesten met een handvol draadloze trillingssensoren. De totale verbruikte lading neemt, zoals verwacht, toe met zowel de transmissieafstand als de bedrijfstemperatuur.
 

Samenvatting

De toevoeging van IIoT-mogelijkheden aan de PdM-toolbox biedt de serviceprovider frequentere metingen om machines die onveilig zijn of moeilijk handmatig toegankelijk zijn, nauwlettend in de gaten te houden. Gegevens verzameld via IIoT zijn ook op afstand beter toegankelijk en gemakkelijker voor analyse, en kunnen worden ingevoerd in geavanceerde gegevensverwerkingsplatforms voor combinatie met gegevens van andere sensoren, wat resulteert in een uitgebreider diagnostisch beeld.

Zoals bij elk complex hulpmiddel is het vrijwel onmogelijk om te begrijpen hoe deze technologie in uw omgeving zal presteren zonder een pilotstudie van enige omvang. Het kan een goede investering zijn om de beschikbare systemen samen te stellen met een papieren studie van de systeemspecificaties voordat je uitrusting koopt, vooral als je niet zo bekend bent met de sterke punten en beperkingen van de nieuwe technologie.

[1] Ervan uitgaande dat de basisbedieningsmodus van de machine niet verandert. Consistente omstandigheden zijn ook noodzakelijk voor een effectieve trendbepaling van trillingstoestandindicatoren.