Если в кабеле имеется разрыв или высокое сопротивление, часть сигнала будет отражаться обратно к испытательному оборудованию или приемнику. Анализируя время возврата сигнала и скорость отраженного сигнала, испытательное оборудование может определить характер неисправности в кабеле как обрыв цепи или короткое замыкание.

Другой простой пример обнаружения на основе правил связан с последовательной работой системы наполнения, укупорки и упаковки бутылок на конвейерной ленте. Можно установить простое правило, указывающее иерархию процессов, например:

• бутылку нельзя закрыть крышкой, пока бутылка не будет заполнена жидкостью
• бутылки не могут быть упакованы, если они не заполнены и не закрыты крышками  

В случае неисправности механизма укупорки бутылок алгоритм обнаружит поступающий сбой в системе упаковки. Он заблаговременно уведомит оператора упаковки. Необходимая подготовка может быть сделана для минимизации эксплуатационных потерь на упаковочной стороне конвейерной ленты.

Обнаружение ошибок на основе знаний

Чтобы обнаружение ошибок на основе знаний работало, нам сначала нужно установить базовый уровень. Это делается путем получения параметров производительности оборудования , таких как напряжение, ток, вибрация, температура, давление и других соответствующих переменных процесса, пока оборудование работает в нормальных условиях.

Цель состоит в том, чтобы разработать сигнатуру оборудования при нормальной работе.

После этого одни и те же параметры непрерывно извлекаются и сопоставляются с «здоровой» сигнатурой, чтобы зафиксировать отклонение через интерфейс статистического анализа — распознавание образов, выполняемое с помощью машинного обучения или искусственной нейронной сети.

Мы можем использовать этот метод для прогнозирования выхода из строя подшипника двигателя на основе сенсорных данных, собранных с подшипника и двигателя в целом.

Большое количество данных, собранных в течение долгого времени — история процесса — может быть проанализировано с помощью статистического алгоритма. Это помогает нам понять влияние различных условий, которым подвергается двигатель, таких как тепловой режим, механическое напряжение или некоторые другие рабочие условия, возникающие в особых обстоятельствах.

Затем алгоритм сопоставляет влияние этих условий на ухудшение состояния подшипников и прогнозирует частоту отказов и состояние работоспособности всего двигателя.

На основе этих сигнатур данных можно провести анализ для прогнозирования будущего состояния оборудования. Кроме того, можно активировать необходимые аварийные сигналы и провести диагностику неисправностей, чтобы оператор/техник мог предпринять соответствующие действия.

Те же данные можно использовать для определения стратегии профилактического обслуживания на оставшийся срок службы двигателя.

2. Локализация неисправности

Целью процесса локализации неисправности является локализация неисправности до самого нижнего компонента, который можно заменить. В некоторых приложениях обнаружение и изоляция неисправностей идут рука об руку; они могут, конечно, быть отдельными модулями процесса. Это связано с тем, что процессы обнаружения и локализации неисправности происходят в основном в одно и то же время, и оба выполняются алгоритмом обнаружения и изоляции неисправностей (FDI).

Например, рассмотрим пример тестирования TDR для подземного кабеля. Возвращенный импульсный сигнал от кабеля одновременно указывает на наличие и местонахождение неисправности через время и скорость возвращенного импульсного сигнала.

Важным аспектом локализации неисправности является то, что неисправность должна быть локализована в самом нижнем компоненте, который может быть заменен . Это сделано для повышения точности изоляции и снижения влияния простоев.

В случае описанного ранее примера системы конвейера для бутылок обнаружение должно быть способно точно определить место отказа, например, отказ платы управления в механизме укупорки бутылок.

Если обнаружение просто указывает на отказ высокого уровня в конвейерной ленте, это не очень полезно для техника, выполняющего диагностику — на одном конвейере есть несколько систем, которые потенциально могут выйти из строя.

Информация, которая действительно ускорит процесс ремонта, — это знание точного места неисправности.

3. Идентификация неисправности

Цель идентификации неисправности состоит в том, чтобы понять основной вид неисправности, определить размер неисправности и найти ее первопричину. Методы диагностики неисправностей могут различаться, но действия, которые необходимо выполнить, в основном одинаковы.

Понимание основного режима отказа

Глубокое понимание режима отказа требует работы: 

• нам нужно проанализировать, как отказ ведет себя в разное время
• , чтобы мы могли разработать изменяющуюся во времени сигнатуру режима отказа
.
• и классифицировать его по разным категориям

Определение размера сбоя

Независимо от применяемого метода обнаружения сбоя размер или величина сбоя играет важную роль в определении желаемого уровня отказоустойчивости, который необходимо заложить в конструкцию оборудования .

Если величина неисправности мала, системе просто необходимо выдержать неисправность в течение дополнительного времени, пока неисправность не будет устранена сама по себе. Прекрасным примером является разрешение на временное переключение токов в электроприборах, если это не оказывает существенного влияния на производительность оборудования.

Теперь, если величина ошибки действительно высока, требуется другая методология: инженеры должны использовать активное или пассивное резервирование для повышения отказоустойчивости своих устройств.

Поиск основных причин 

Алгоритм обнаружения и диагностики неисправностей является ядром хорошей системы диагностики неисправностей. Он основан на принципах машинного обучения и может использоваться для выявления аномалий в потоках данных, исходящих от оборудования, и определения их основной причины.

Идентификация некоторых режимов отказа очень проста, в то время как другие могут быть сложными и требовать обширных математических вычислений.

БЕСПЛАТНЫЕ РЕСУРСЫ ДЛЯ ПРОФЕССИОНАЛОВ И СТУДЕНТОВ

Вы получите:

• Рабочий билет + рабочий лист анализа первопричин
• Прямая поддержка от нашей команды

В качестве примера возьмем высоковольтный и мощный трехфазный асинхронный двигатель переменного тока.

Чаще всего основные виды отказов носят механический характер и связаны с вращающейся частью двигателя: короткое замыкание обмоток ротора, выход из строя подшипников и поломка ротора. Поскольку ротор является быстродвижущимся элементом, непосредственно на него нельзя установить датчик.

Например, при обрыве стержней ротора импульс тока статора в два раза превышает частоту тока статора двигателя. Существует косвенная зависимость между механическим разрушением стержней ротора и колебаниями тока статора.

Такие возникающие тенденции анализируются алгоритмами обнаружения и диагностики неисправностей и могут использоваться для поиска возможных основных причин, которые выводятся и отображаются в режиме реального времени на интерактивных информационных панелях.

Использование таких алгоритмов идентификации неисправностей значительно сократило количество времени, необходимого техническим специалистам для устранения неполадок оборудования и выявления основной причины сбоев. Автоматическая диагностика основных причин в значительной степени способствовала сокращению времени простоя оборудования, сокращению среднего времени ремонта и повышению общей надежности предприятия.

4. Оценка сбоев 

После определения видов сбоев и связанных с ними основных причин следующим шагом является оценка влияния этого типа сбоя на общую производительность системы.

Нам необходимо учитывать такие факторы, как:

• влияние сбоя на окружающую среду и остальную часть системы 
• влияние неисправности на безопасность системы
• финансовый убыток из-за простоя
• необходимость принятия решений о капитальной замене (в случае, если серьезность неисправности достаточна для замены оборудования, а не для его ремонта) 

через GIPHY

Оценка неисправностей является важным элементом общего процесса, поскольку он направлен на определение серьезности неисправности . Это помогает инженерам по надежности проводить валидацию и рассчитывать риск сбоев, что окажет большое влияние на требования к техническому обслуживанию, рекомендации и оптимизацию.

Например, результат FDD для одной единицы оборудования может означать быстрое увеличение количества отказов. Однако влияние этой ошибки на общую производительность системы может быть минимальным, что делает общий риск умеренным. В этом случае для управления риском может быть достаточно менее строгой стратегии обслуживания, такой как работа до отказа или профилактическое обслуживание.

Обнаружение и диагностика сбоев для другого оборудования может указывать на возрастающую интенсивность отказов, а также на сильное влияние отказа на общую производительность системы. В этом случае следует принять наиболее строгую программу профилактического обслуживания, несмотря на ее высокую стоимость. Это связано с тем, что увеличение затрат на техническое обслуживание оправдано для предотвращения серьезных последствий, которые будут намного более дорогостоящими.

Оптимизация обслуживания с помощью FDD

Короче говоря, обнаружение неисправностей и диагностика играют решающую роль в оптимизации режима обслуживания любого оборудования на протяжении всего его жизненного цикла.

С появлением технологий быстрых вычислений, обработки больших данных и передовых алгоритмов обучения традиционное обнаружение неисправностей превратилось в автоматические системы управления неисправностями, которые не только обнаруживают неисправности, но также определяют их основную причину и осуществляют корректирующие действия, чтобы избежать повторения в будущем.

Такая автоматизация ряда ручных процессов позволила инженерам по надежности и техническому обслуживанию прогнозировать состояние оборудования, определять будущие характеристики оборудования и определять оптимальные интервалы обслуживания.

Единственное, что им осталось сделать, это запустить свое компьютеризированное программное обеспечение для управления техническим обслуживанием (CMMS), отслеживать состояние своих критически важных активов и планировать соответствующие работы по техническому обслуживанию.

Брайан Кристиансен Генеральный директор и основатель Limble

1 Комментарии

Что такое диагностика неисправностей при мониторинге состояния? Petro Online

Мониторинг механических параметров является одним из наиболее эффективных способов сокращения незапланированных простоев, минимизации затрат на техническое обслуживание и продления срока службы активов. Эта область известна как мониторинг состояния (CM) и является ценным инструментом технического обслуживания, используемым в нефтегазовом секторе, а также в других отраслях, зависящих от механического оборудования.

Диагностика неисправностей является важной частью процесса мониторинга состояния, позволяя операторам не только выявлять механические неисправности, но и определять основную причину проблемы и соответствующим образом выполнять ремонт. Существует два основных подхода к диагностике неисправностей – методы на основе сигналов и методы на основе моделей.

Сигнальные методы основаны на сложных приборах и датчиках для обнаружения механических нарушений в режиме реального времени. Например, акселерометры используются для обнаружения изменений вибрации, а инфракрасные камеры используются для выявления горячих точек, вызванных трением.

Анализ вибрации является одним из наиболее полезных параметров, используемых для обнаружения механических неисправностей. Авторы Сауд Альтаф и Шафик Ахмад исследуют ценность акселерометров в недавней научной статье под названием «Обзор методов мониторинга состояния машин и диагностики неисправностей в промышленных сетях электропередач». .’

«Большинство механических неисправностей в высокоскоростных вращающихся машинах приводят к повышению уровня вибрации. Крупнейшими источниками вибрации и шума в электрических машинах являются радиальные силы из-за поля воздушного зазора», — пишут авторы. «Мониторинг вибрации — это эффективный и действенный подход к предоставлению индикаторов состояния для управления состоянием машины», — добавляют они. «Диагностика на основе вибрации — лучший метод диагностики неисправностей, но для этого нужны дорогие акселерометры и соответствующая проводка».

Мониторинг шума, анализ крутящего момента, анализ осевого потока и анализ характеристик тока двигателя (MCSA) являются другими широко используемыми примерами методов на основе сигналов для CM.

Методы на основе моделей представляют собой еще один подход, используемый для диагностики неисправностей. Этот метод включает в себя анализ расхождений между показаниями датчиков и их сравнение с эталонными значениями, полученными из прогнозной модели системы. Благодаря визуализации операторы могут оценить состояние машины и ее компонентов.

Конечно, люди по-прежнему играют определенную роль в диагностике неисправностей. Методы и модели, основанные на знаниях, являются еще одним методом, используемым для обнаружения и диагностики механических неисправностей. Эта стратегия опирается на человеческий мозг и требует опыта профессионалов, таких как инженеры-механики.