Proactieve Gezondheidsmonitoring Voor Fabrieksmachines: Downtime Voorkomen & Betrouwbaarheid Verhogen

Gezondheidsmonitoring of toestandsmonitoring wordt al jaren toegepast op machines en installaties waar de kosten van een storing hoog zijn. Het stelt storingen te anticiperen en onderhoud of reparaties in te plannen voor de minste productieverlies, evenals het vermijden van onnodig periodiek onderhoud.

Het kan zo simpel zijn als een persoon die de fabriek met regelmatige intervallen afloopt met draagbare instrumenten zoals een thermische beeldcamera en trillinganalysator, of het kan permanent geïnstalleerd zijn zodat data over een lange periode op afstand kan worden verzameld, de data off-line geanalyseerd en trends geïdentificeerd.

Met het toenemende gebruik van intelligente apparaten op machines en installaties, die in netwerk kunnen worden aangesloten en waarvan de data op afstand tegen lage kosten kan worden verzameld, neemt de mogelijkheid voor gezondheidsmonitoring van installaties snel toe. Er is veel informatie beschikbaar op het web die ideeën geeft en producten aanbiedt voor monitoring.

In deze blogpost wijz ik op een reeks technieken die profiteeren van de speciale positie van de variabele snelheidsaandrijving in de machine om toegang te krijgen tot verdere nuttige data.

Machineveiligheid op de shopfloor

Over het algemeen moeten de toegepaste technieken gebruikmaken van goedkope sensoren en redelijk non-invasief zijn, om hoge installatiekosten en het risico op schade door het installatieproces te vermijden. Eenvoudige sensoren zoals thermische sensoren en versnellingsmeters kunnen aan toegankelijke delen worden bevestigd en geven een rijkdom aan data.

Bijvoorbeeld, een versnellingsmeter kan vaak gemakkelijk op een lagersteun of machinebehuizing worden gemonteerd om radiale trilling van een rotatie machine te meten, en kan defecten detecteren die onevenwichtige krachten veroorzaken, zoals gebroken rotatieonderdelen, gescheurde assen en uitgelijnde koppelingen.

Een eenvoudige amplitudemeting kan algemene waarschuwing geven voor potentiële schadelijke defecten, terwijl een diepere frequentieanalyse de aandacht kan richten op specifieke delen, vooral als er verschillende rotatiesnelheden betrokken zijn zoals in tandwielkasten of riemaandrijvingen.

Machine- of installatiegezondheidsmonitoring met een variabele snelheidsaandrijving

De variabele snelheidsaandrijving is in een unieke positie in een machine omdat het meestal de dryfkracht levert. Het is een intelligent apparaat dat nauw gekoppeld is aan de werkende delen van een machine via de elektricemotor. Het bevat informatie die het gebruikt om zijn betrouwbaar te doen, maar die tegen weinig of geen kosten kan worden geopend en geanalyseerd. Met andere woorden, het kan worden gebruikt als een extra set sensoren, tegen virtueel geen kosten.

Om te beginnen, heeft de aandrijving zijn eigen interne sensoren voor diverse interne temperaturen en de motorstroom, die door de fabrikant worden geleverd om schade aan de aandrijving of motor door abnormale condities te voorkomen. Het kan ook een motortemperatuursensor hebben aangesloten. Deze data is beschikbaar als aandrijvingsparameters en kan periodiek worden geopend om een waarschuwing te geven als het een limiet nadert, en om trends te analyseren.

In een gesloten-lus regelsysteem zoals een servoaandrijving, bevat de aandrijving data met betrekking tot de regeltechnische variabelen. Het is redelijk gebruikelijk om bijvoorbeeld de volgende fout in een positie-regellus te monitoren en een vlag op te heffen als de fout een drempel overschrijdt – dit kan duiden op een soort storing zoals verhoogde stijfheid (dreigende vastloop, obstructie of schade) of terugslag (van slijtage).

Het is een kleine stap om van een eenvoudige alarmpad naar monitoring van de trend van de gegladde data te gaan en de gebruiker te waarschuwen voor een zich ontwikkelende situatie die in toekomstige storing kan resulteren.

Voor de volgende fout moet er ten minste een as-transducer gemonteerd zijn, wat doorgaans het geval is in precisie motion control-applicaties. In alle applicaties heeft de aandrijving echter toegang tot een speciale meting die moeilijk te verkrijgen is door externe instrumentatie – het motorkoppel.

Motorkoppel Meten

Het conventioneel meten van motorkoppel met een transducer wordt meestal gedaan door een rekstreep of belastingcel in de bevestiging van de motorbehuizing te installeren. Dit vereist een speciale motormontage als het een zinvolle meting van koppel moet geven, en de meting wordt beïnvloed door het massamoment van de zware motorframe wat de gevoeligheid voor de hogere frequenties verlaagt.

Nog moeilijker is het meten van de daadwerkelijke dynamische askoppel, aangezien dit een rotatie rekstreep vereist die op de as vastgemaakt wordt, met telemetrie om de data naar de vaste kant door te geven. Dit is een dure operatie, en wordt zeldzaam zelfs voor een speciale test gedaan. Het is onwaarschijnlijk dat het een permanente installatie is.

De aandrijving heeft echter interne data voor de koppel-producerende stroom in de motor, wat een goede proxy is voor de askoppel, beschikbaar tegen geen kosten! De data is zelfs beschikbaar wanneer de motor zelf ontoegankelijk is, of diep in een machine, of onder water, of in een gevaarlijk gebied. De nauwkeurigheid van de koppelmeting is het beste in een volledig gesloten-lus systeem, maar zelfs in een eenvoudige open-lus aandrijving is de koppeldata goed genoeg voor veel doeleinden behalve bij de laagste snelheden.

Eenmaal we begrijpen dat koppeldata in de aandrijving tegen virtueel geen kosten beschikbaar is, evenals de bijbehorende snelheidsdata, kunnen we een nieuw rijk betreden voor machine- en installatiemonitoring. Het volgende is een reeks mogelijkheden die we bij Control Techniques hebben tegengekomen.

Lezers kunnen nieuwe ideeën hebben voor specifieke typen machines – het vereist een gedetailleerde kennis van de machine om nieuwe methoden te bedenken voor het gebruik van de koppeldata die door de aandrijving wordt vrijgegeven.

De volgende lijst toont de informatie die de aandrijving heeft, of tegen bescheiden kosten zou kunnen hebben, die allemaal gemonitord en gecorreleerd kunnen worden om nuttige informatie over de machine te genereren:

Eenvoudige limieten voor gemiddelde of piekkoppel

De realtime koppeldata kan worden geglad om een lopende gemiddelde waarde te geven wanneer de aandrijving actief is, of de piekwaarde kan worden vastgelegd op een tijdschaal gekozen om de applicatie te passen, dit kan alles zijn van milliseconden tot dagen afhankelijk van het proces. Een alarm kan worden gegenereerd als de waarde buiten een verwacht bereik beweegt (d.w.z. het overschrijdt een verwachte waarde of, minder algemeen, daalt onder een verwachte waarde).

Trends van koppel

Dezelfde koppeldata kan worden gelogd en geanalyseerd voor trend over tijd of tegen elke andere variabele, met alarmen ingesteld om een ongezonde trend aan te duiden.

Eenvoudige correlaties van gemiddeld koppel met snelheid

In veel processen is het koppel sterk afhankelijk van de snelheid, in een goed gedefinieerd patroon. Bijvoorbeeld, een ventilator of pomp die vloeistof door een vaste kanaal, pijp of lus, of een netwerk van ze, dryft, zal een goed gedefinieerde koppel/snelheid-curve hebben. Elke significante afwijking van de normale curve duidt op een verandering die een probleem kan vertegenwoordigen. Enkele voorbeelden zijn:

Laag koppel:

• Gebroken aandrijfriem of andere koppeling
• Verlies van vloeistof in pomp
• Obstructie van stroom, bijv. geblokkeerd filter of zeef (voor een impeller-type pomp of ventilator, kan ook op transporter van toepassing zijn)
• Ophoping van afzettingen op ventilator- of pomprotor
• Cavitatie in een pomp door luchtingang, zwabber of andere fouten (veroorzaakt ook pulsaties – zie hieronder)

Hoog koppel:

• Vastlopen van rotor of andere onderdelen (gedeeltelijk of totaal)
• Obstructie van stroom (positieve verplaatsing type pomp)
• Grote lekkage (impeller type pomp of ventilator)

Een koppel/snelheid-profiel kan worden vastgesteld waarbuiten een alarmtoestand wordt gegenereerd, bijvoorbeeld zoals getoond in Figuur 1:

De koppeldata moet aan voldoende laagdoorlaatfiltering of gemiddeling worden onderworpen om dynamische effecten (versnellingskoppel) of normale pulsaties te voorkomen die valse alarmen genereren.

Andere variabele kunnen een impact hebben, bijvoorbeeld, een variabele afgifte druk van een vloeistof, dus tolerantiebanden moeten breed genoeg ingesteld worden om valse alarmen vanuit deze oorzaak te voorkomen.

Multi-variabele correlaties

In complexere processen zal het koppel afhangen van verschillende variabelen, die wel of niet beschikbaar zijn voor de aandrijving. Bijvoorbeeld, overweeg een ventilator die lucht door een systeem van kanalen dryft, waarvan sommige damperbesturingen hebben om de lokale luchtstroom te variëren. De koppel/snelheid-curve hangt dan af van de positie van de dampers.

Als data beschikbaar is over de dampertoestand, of de drukval over de dampers, dan kan een multi-variabele correlatie mogelijk zijn om hiervoor te compenseren. Figuur 2 geeft een eenvoudige illustratie van het geval met twee kanaaltakken met dampers.

Een andere mogelijkheid is om de gemeten koppel- en snelheidswaarden te gebruiken om de stroom en druk bij de pomp of ventilator af te leiden uit hun karakteristieke curven, die dan vergeleken kunnen worden met een gemeten waarde van een transducer. Elke discrepantie kan betekenen dat de pomp of ventilator defect is of de transducer defect is.

Dynamische analyse van koppel

De koppeldata in de aandrijving heeft een brede bandbreedte en kan in principe worden gebruikt voor dynamische analyse. Het is redelijk gebruikelijk dat de koppelbandbreedte in de orde van 1 kHz of meer is, hoewel het misschien niet mogelijk is om de data met zo'n hoge snelheid te openen en te analyseren – het datacommunicatiekanaal beperkt de data-toegang typisch tot ongeveer een 250 ms bemonsteringsinterval.

De koppeldata betreft het elektrische koppel in de motor, dat wordt overgedragen aan de uitvoeras maar beïnvloed door de inertie van de motorrotor en de effectieve stijfheid van het motorregelalgoritme. Deze vormen een laagdoorlaatfilter wiens kenmerken misschien niet bekend zijn.

In een volledig gesloten-lus systeem is het mogelijk de overdrachtsfunctie af te leiden en nauwkeurige askoppeldata te verkrijgen, zodat bijvoorbeeld hoge-frequentie koppelomkeringen gedetecteerd kunnen worden. De meting hoeft echter niet precies gecalibreerd te zijn voor vergelijkingen of trendanalyse om succesvol te zijn.

In de praktijk zijn pulsaties met frequenties in de regio van 100 – 500 Hz nuttig gemonitord vanuit motor-elektrische koppeldata.

Blokken data kunnen in realtime worden vastgelegd en off-line aan dynamische analyse onderworpen. Analyse kan in het tijdsdomein zijn, bijvoorbeeld door de grootte van fluctuaties te berekenen (algehele koppulpulsatie of fluctuatie, r.m.s. amplitude met of zonder tijdsgemiddeling, piekwaarden of pieknegatieve waarden) of in het frequentiedomein door een Fourier-transformatie ten opzichte van tijd of een andere variabele zoals positie. Dit kan dan ontwikkelende veranderingen detecteren, specifiek in het patroon van koppulpulsatie:

• Excessieve torsionele algehele trillingsamplitude, breedband of bandbeperkt, bijv. van gebroken machineonderdelen of cavitatie in pompen
• Excessieve piekkoppels die kunnen leiden tot mechanische schade of vroege uputting
• Frequente koppelomkeringen die tandwielgekkater kunnen veroorzaken met als gevolg vroege slijtage of breuk
• Torsionele resonanties, bijv. van losse koppelingen, resulterend in pieken in het frequentiespectrum wiens frequentie onafhankelijk is van snelheid hoewel ze versterkt kunnen worden bij bepaalde snelheden
• Torsionele pulsaties, met één of meer cycli per omwenteling, bijv. van gescheurde as, impeller of tandwieltandschade of andere mechanische schade, met de mogelijkheid de bron te traceren in een complexe machine vanuit de frequentie van de spectrale pieken, de snelheid, en kennis van tandwielkast of andere aandrijfverhoudingen.

Dynamische analyse van koppel met snelheidscorrelatie

In sommige van de boven gegeven voorbeelden is het duidelijk nuttig om de assnelheid in combinatie met de dynamische analyse van koppel te overwegen, omdat pulsaties die betrekking hebben op de rotatie van de as zullen zijn op de rotatiefrequentie (eenmaal-per-omwenteling effecten) of een veelvoud daarvan (bijv. een gescheurde as geeft tweekeer-per-omwenteling, impellers kunnen N-per-omwenteling zijn, tandwieltanden bij N of N₁/N₂ –per-omwenteling).

Het kan nuttig zijn om samengestelde plots te genereren van trillingsspectrale analyse met snelheid, die N-per-omwenteling effecten duidelijk zullen differentiëren van resonantie-effecten wiens frequentie vast is maar die misschien alleen gestimuleerd worden in bepaalde snelheidsbereiken. Deze worden cascade plots of waterfall plots genoemd, en worden wijd aangeboden by leveranciers van trillingsanalyseapparatuur.

Let op – bemonsteringssnelheden en aliasing

Zorgvuldigheid is nodig in systemen met snelle koppulpulsaties. De koppeldata wordt bemonsterd met een snelheid die beperkt kan zijn door de capaciteit van de aandrijving om data op te slaan of te exporteren met de snelheid waarop het intern wordt verkregen. De bemonsteringsfrequentie zal alias-fouten produceren bij frequenties zoals (f_s – f_d) waar f_d de frequentie-inhoud van de data is en f_s de bemonsteringsfrequentie. f_s moet boven ongeveer 3 keer f_d gehouden worden om het genereren van verwarrende nieuwe frequentieproducten binnen het interessegebied te voorkomen.

Een toegevoegd voordeel van cascade plots is dat alias-producten duidelijk zichtbaar zijn, hun frequentie dalend als de snelheid toeneemt terwijl bij echte effecten de frequentie toeneemt of constant blijft.

Kunstmatige intelligentie analyse

In al het bovenstaande heb ik me geconcentreerd op applicaties waar een fysiek begrip van het proces wordt gebruikt om een verwacht gedrag te definiëren, en de beschikbare data wordt gebruikt om de daadwerkelijke operatie met de verwachting te vergelijken. Zelfs als de amplitudeschaling onzeker is, zijn de frequenties uniek en kunnen trends geïdentificeerd worden.

Het voordeel van deze benadering is dat mensen betrokken bij het proces de data kunnen begrijpen en werken vanuit de informatie en alarmcondities die gegenereerd worden om een diagnose voor de installatie te ontwikkelen.

Een alternatief is om een vorm van machine learning-algoritme te gebruiken om al de beschikbare data te tracken en te proberen de patronen van normaal en abnormaal gedrag af te leiden. Dit is een onderwerp van huidig onderzoek, bijvoorbeeld https://phys.org/news/2016-02-scientist-ai-algorithm-machinery-health.html .

Conclusie