Predykcyjne utrzymanie ruchu – od symptomu do prognozy awarii

Łożysko rzadko przechodzi ze stanu sprawnego do całkowitej awarii w jednej chwili. Wcześniej zmieniają się drgania, temperatura, hałas, skład oleju albo pobór prądu przez napęd. Predykcyjne utrzymanie ruchu wykorzystuje te symptomy nie tylko do stwierdzenia, że maszyna pracuje nieprawidłowo, lecz również do oceny rozwoju degradacji i zaplanowania interwencji przed utratą funkcji urządzenia.

Krzywa P–F: najważniejszy model w predictive maintenance

Podstawową ideę monitorowania stanu dobrze opisuje krzywa P–F. Punkt P – Potential Failure oznacza moment, w którym rozwijające się uszkodzenie staje się możliwe do wykrycia określoną metodą diagnostyczną. Punkt F – Functional Failure oznacza utratę wymaganej funkcji urządzenia.

Odstęp pomiędzy nimi jest oknem, w którym służby utrzymania ruchu mogą zareagować.

To rozróżnienie jest bardzo ważne. Łożysko może już mieć rozwijający się mikroubytek, którego operator nie słyszy i którego temperatura jeszcze nie ujawnia. Analiza drgań wysokoczęstotliwościowych może jednak wykryć go znacznie wcześniej.

Ten sam defekt daje różne sygnały w różnych fazach

Predykcyjne utrzymanie ruchu nie opiera się na jednym uniwersalnym czujniku. Metodę dobiera się do mechanizmu degradacji i do tego, jak wcześnie trzeba go wykryć.

Wczesny symptom nie musi być najbardziej oczywisty

W diagnostyce maszyn często najcenniejsza jest cecha sygnału, której operator nie jest w stanie zaobserwować bez analizy matematycznej.

Dobrym przykładem są badania AGH nad utratą stabilności hydrodynamicznego łożyska ślizgowego. Analizowano sygnały przemieszczenia czopa wału i wykorzystano między innymi wykładnik Lapunowa opisujący dynamikę układu.

To jedna z istotnych różnic pomiędzy prostym alarmem a zaawansowaną diagnostyką. System nie musi czekać, aż temperatura lub RMS drgań przekroczą wartość graniczną. Może obserwować zmiany w strukturze sygnału wskazujące na początek innego trybu pracy maszyny.

Detekcja, diagnoza i prognoza to trzy różne zadania

W dyskusjach o predictive maintenance pojęcia te często są łączone, ale technicznie oznaczają coś innego.

Detekcja anomalii odpowiada na najprostsze zadanie: zachowanie maszyny różni się od normalnego.

Diagnoza próbuje określić źródło zmiany – np. uszkodzenie bieżni zewnętrznej łożyska, niewspółosiowość wałów albo niewyważenie wirnika.

Prognoza ocenia rozwój degradacji w przyszłości. Jednym z rezultatów może być RUL – Remaining Useful Life, czyli szacowany pozostały czas użytecznej pracy.

Te poziomy wymagają coraz większej ilości informacji. Do wykrycia anomalii czasem wystarczy dobrze ustalony trend. Wiarygodne oszacowanie RUL wymaga już danych opisujących rozwój degradacji w czasie i wpływ warunków eksploatacji.

Sztuczna inteligencja nie zastępuje diagnostyki

Uczenie maszynowe jest przydatne wtedy, gdy relacje pomiędzy pomiarami są zbyt złożone dla prostych progów lub klasycznych reguł diagnostycznych.

W badaniu AGH dotyczącym prognozowania uszkodzeń napędów zastosowano między innymi dane drganiowe i głęboką sieć neuronową. Zaprojektowany klasyfikator z podpredyktorem bayesowskim osiągnął na zbiorze testowym dokładność 96,08%.

Taki wynik pokazuje potencjał metod ML, ale nie oznacza, że model o podobnej skuteczności można bezpośrednio przenieść na dowolny silnik.

W praktyce zmieniają się:

• prędkość obrotowa,
• obciążenie,
• temperatura otoczenia,
• typ maszyny,
• miejsce zamocowania czujnika,
• częstotliwość próbkowania,
• historia remontów.

Algorytm może nauczyć się różnicy pomiędzy stanami występującymi w zbiorze treningowym, ale znacznie trudniejsze jest zachowanie jakości predykcji po zmianie warunków procesu.

Najtrudniejszym sygnałem jest często sama awaria

Modele nadzorowane potrzebują prawidłowo oznaczonych przykładów uszkodzeń. Tymczasem dobrze zarządzany zakład przemysłowy ma paradoksalnie niewiele awarii krytycznych.

Dodatkowo historia zdarzenia może być zapisana jedynie jako:

„wymiana łożyska – hałas”

Taka informacja nie określa rodzaju defektu, stopnia degradacji ani momentu jego rozpoczęcia.

Dlatego w praktycznych systemach stosuje się również:

• uczenie na danych normalnej pracy i wykrywanie anomalii,
• modele fizyczne i hybrydowe,
• dane z testów przyspieszonego zużycia,
• transfer learning,
• symulowane przypadki usterek,
• wiedzę diagnostów zapisaną w regułach.

Najlepsza predykcja kończy się konkretną decyzją

System predykcyjny ma wartość dopiero wtedy, gdy jego wynik można przełożyć na działanie służb utrzymania ruchu.

Informacja „prawdopodobieństwo anomalii = 0,87” jest znacznie mniej użyteczna niż komunikat:

Taki komunikat daje mechanikowi kontekst i umożliwia zaplanowanie działania.

Nie każdy element maszyny wymaga również ciągłego monitorowania. Jeżeli koszt czujnika, infrastruktury i analizy jest większy niż konsekwencja awarii łatwo wymienialnego podzespołu, prostsza strategia może być ekonomicznie lepsza.

Predykcyjne utrzymanie ruchu nie polega więc na przewidywaniu dokładnej daty każdej awarii. Jego najważniejszym zadaniem jest możliwie wczesne rozpoznanie rozwijającej się degradacji i przekształcenie informacji diagnostycznej w wystarczająco długie okno na bezpieczną, zaplanowaną interwencję.