۸ گام برای ساخت یک برنامه نگهداری پیشبینیشده که موثر باشد
یک چارچوب عملی هشت مرحلهای برای انتخاب داراییها، جمعآوری دادهها، نظارت بر حالتهای خرابی، آموزش مدلها، تنظیم هشدارها و اتصال بینشهای پیشبینیکننده با جریانهای کاری CMMS.
نگهداری پیشبینی شده وعده کاهش خرابیها، افزایش در دسترس بودن دارایی و برنامهریزی نگهداری کارآمدتر را میدهد. با این حال، این نتایج تنها با نصب حسگرها به دست نمیآید.
یک برنامه نگهداری پیشبینی شده موفق ترکیبی از دانش مهندسی، دادههای قابل اعتماد، فناوری پایش شرایط، سوابق نگهداری، تحلیلها و اجرای منظم کار است. هر بخش باید از یک هدف عملیاتی تعریف شده پشتیبانی کند.
بسیاری از سازمانها با یک نمایش فناوری جذاب شروع میکنند. آنها حسگرها را متصل میکنند، داشبورد میسازند و حجم زیادی داده جمعآوری میکنند. چند ماه بعد، تیمهای نگهداری هنوز نمیتوانند تصمیمات بهتری بگیرند.
مشکل معمولاً در توالی اجرا است. سازمان با فناوری شروع کرده است نه با ریسک تجهیزات، حالتهای خرابی، جریانهای کاری نگهداری و ارزش تجاری قابل اندازهگیری.
نگهداری پیشبینی شده، که اغلب به اختصار PdM نامیده میشود، باید به یک سؤال عملی پاسخ دهد: چه اقدام نگهداری باید قبل از کاهش عملکرد یا خرابی دارایی انجام شود؟
پاسخ باید به اندازه کافی زود برسد تا تیم نگهداری بتواند واکنش نشان دهد. همچنین باید اعتماد کافی برای توجیه بازرسی، تعمیر، تأمین قطعات یا تغییر در عملیات فراهم کند.
این مقاله هشت مرحله برای ساخت یک برنامه نگهداری پیشبینی شده مؤثر ارائه میدهد. توربین بادی مثال اصلی است زیرا تجهیزات دوار، دسترسی دشوار، توقفهای پرهزینه و چندین مکانیزم خرابی را ترکیب میکند.
همین چارچوب برای پمپها، کمپرسورها، موتورها، ژنراتورها، جعبهدندهها، فنها، نقالهها، ترانسفورماتورها، شیرها، درایوها و تجهیزات فرآیندی حیاتی نیز صدق میکند.
نگهداری پیشبینی شده باید با یک تصمیم عملیاتی آغاز شود.
دادههای شرایط دستگاه ارزش کمی دارند مگر اینکه تصمیم عملیاتی یا نگهداری را تغییر دهند. روند دما ممکن است اطلاعاتی به نظر برسد، اما تنها زمانی مفید است که کسی بداند چگونه باید پاسخ دهد.
این پاسخ میتواند شامل کاهش بار تجهیزات، بازرسی روانکاری، بررسی تراز بودن، تعویض بلبرینگ یا برنامهریزی خاموشی کنترل شده باشد.
برنامه نگهداری پیشبینی شده باید چهار فعالیت متمایز را به هم متصل کند. باید خرابی را شناسایی کند، اهمیت آن را ارزیابی کند، اقدام پیشنهادی ارائه دهد و نتیجه نگهداری را تأیید کند.
این توالی نگهداری پیشبینی شده را از جمعآوری دادههای عادی جدا میکند. همچنین برنامه صنعتی عملی را از آزمایش موقتی تحلیل دادهها جدا میکند.
مهندسان باید تصمیمات مورد انتظار را قبل از انتخاب حسگرها تعریف کنند. آنها باید مشخص کنند که چه کسی اطلاعات را دریافت میکند، چقدر سریع باید پاسخ دهد و چه شواهدی از مداخله پشتیبانی میکند.
برای مثال، هشدار بلبرینگ توربین ممکن است چندین سطح پاسخ را نیاز داشته باشد. یک انحراف کوچک ممکن است مشاهده مداوم را فعال کند. انحراف بزرگتر ممکن است بازرسی در پنجره خدمات بعدی را فعال کند.
انحرافی که به سرعت تغییر میکند ممکن است نیاز به کاهش فوری بار داشته باشد. یک الگوی بحرانی ممکن است توجیهکننده خاموشی اضطراری باشد.
این تصمیمات نیازمند همکاری بین تیمهای نگهداری، قابلیت اطمینان، عملیات، اتوماسیون، ایمنی و داده هستند. نگهداری پیشبینیشده نمیتواند در یک بخش فنی تنها باقی بماند.
هشت مرحله زیر مسیر ساختاریافتهای از نیاز کسبوکار تا اجرای قابل اعتماد نگهداری ایجاد میکند.
1. انتخاب دارایی که پیشبینی ارزش واقعی ایجاد میکند
نگهداری پیشبینیشده نیازمند سرمایهگذاری اولیه است. هزینهها ممکن است شامل حسگرها، تنظیمکنندههای سیگنال، شبکه صنعتی، محاسبات لبه، ذخیرهسازی داده، نرمافزار تحلیل، خدمات یکپارچهسازی و سیستم مدیریت نگهداری رایانهای باشد.
دارایی انتخاب شده باید آن سرمایهگذاری را توجیه کند. باید تأثیر قابل توجهی بر تولید، ایمنی، کیفیت، مصرف انرژی، عملکرد محیط زیستی یا هزینههای نگهداری داشته باشد.
ارزش خرید بالا به تنهایی دارایی را مناسب نمیکند. مهندسان باید پیامدهای مالی و عملیاتی خرابی را در نظر بگیرند.
یک پمپ نسبتاً ارزان ممکن است کل واحد تولید را متوقف کند. یک موتور پشتیبان گرانقیمت ممکن است خطر فوری کمی ایجاد کند زیرا واحد دیگری میتواند وظیفه آن را بر عهده گیرد.
تحلیل اهمیت دارایی نقطه شروع مفیدی فراهم میکند. ارزیابی باید شامل خسارات تولید، هزینههای تعمیر، زمانهای تحویل، پیامدهای ایمنی، مواجهه با محیط زیست و در دسترس بودن افزونگی باشد.
ارزیابی باید به دفعات خرابی تجهیزات نیز توجه کند. یک دارایی حیاتی که الگوی کاهش قابل اندازهگیری ندارد ممکن است گزینه مناسبی برای شروع نباشد.
داراییهای آزمایشی ایدهآل چندین ویژگی دارند. خرابیهای آنها پرهزینه است، کاهش کیفیت آنها قابل مشاهده است و تیم تعمیر و نگهداری میتواند قبل از وقوع خرابی عملکردی اقدام کند.
یک توربین بادی کاندیدای قوی است. این توربین شامل یاتاقانها، مراحل دنده، شفتها، ژنراتورها، سیستمهای هیدرولیکی، تجهیزات الکتریکی و اجزای سازهای است.
دسترسی به تعمیر و نگهداری میتواند دشوار باشد. شرایط باد، در دسترس بودن جرثقیل، برنامهریزی تکنسین و لجستیک قطعات جایگزین ممکن است تعمیرات را به تأخیر بیندازد.
خرابی ناگهانی جعبهدنده میتواند باعث توقف طولانی شود. همچنین ممکن است به تجهیزات سنگین بالابر و پرسنل متخصص نیاز داشته باشد.
هشدار زودهنگام چندین نوع ارزش ایجاد میکند. اپراتور میتواند قبل از خرابی قطعات را تهیه کند، پنجره هوایی مناسب را انتخاب کند، پیمانکاران را هماهنگ کند و چندین کار تعمیر و نگهداری را ترکیب کند.
هزینه اجتناب شده شامل بیش از قطعه آسیبدیده است. همچنین شامل تولید از دست رفته، حمل و نقل اضطراری، اضافهکاری، بهکارگیری جرثقیل و آسیب به تجهیزات ثانویه میشود.
یک کارخانه تولیدی میتواند همان منطق را برای یک کمپرسور به کار ببرد. خرابی آن ممکن است تأمین هوا را در چندین خط تولید مختل کند.
یک تأسیسات آبی ممکن است یک پمپ بزرگ که به یک مرحله حیاتی فرآیند خدمت میدهد را در اولویت قرار دهد. یک نیروگاه ممکن است پمپ تغذیه دیگ بخار، فن مکش القایی یا سیستم کمکی توربین را در اولویت قرار دهد.
اولین آزمایش باید قابل مدیریت باقی بماند. یک کلاس دارایی یا گروه کوچکی از داراییهای مشابه معمولاً اطلاعات کافی برای اجرای جدی فراهم میکند.
شروع با دهها ماشین نامرتبط پیچیدگی را افزایش میدهد. ماشینهای مختلف سیگنالها، حالتهای خرابی، وضعیتهای عملیاتی و نیازهای نگهداری متفاوتی تولید میکنند.
تیم برنامه باید هدف آزمایش را به صورت قابل اندازهگیری مستند کند. مثالها شامل کاهش کارهای اضطراری، افزایش میانگین زمان بین خرابیها یا تشخیص تخریب یاتاقان سی روز زودتر است.
یک هدف واضح به جلوگیری از گسترش کنترلنشده دامنه کمک میکند. همچنین استانداردی برای ارزیابی اینکه آیا آزمایش ارزش عملیاتی تولید کرده است، فراهم میکند.
شکل 1. سوابق CMMS شواهد نگهداری تاریخی را برای ایجاد خطوط مبنا عملکرد و ارزیابی نتایج نگهداری پیشبینی فراهم میکند. تصویر با اجازه Limble CMMS استفاده شده است.
2. ایجاد یک خط مبنا از دادههای نگهداری و عملیاتی موجود
تحلیل پیشبینی نیازمند مرجعی برای عملکرد عادی است. بدون آن مرجع، سیستم نمیتواند بهطور قابل اعتماد رفتار مورد انتظار را از خطاهای در حال توسعه تشخیص دهد.
سازمانها اغلب فرض میکنند دادههای کافی ندارند. در واقع، شواهد مفید ممکن است در چندین سیستم موجود باشد.
منابع احتمالی شامل دستورکارهای CMMS، گزارشهای اپراتور، گزارشهای بازرسی، برچسبهای تاریخچهنگار، سوابق هشدار، گزارشهای آزمایشگاهی، مسیرهای ارتعاش، تحلیل روغن و تراکنشهای قطعات یدکی است.
این سوابق به ندرت ساختار ثابتی دارند. نام تجهیزات ممکن است بین CMMS، سیستم کنترل، تاریخچهنگار و نقشههای مهندسی متفاوت باشد.
یک سیستم ممکن است یک پمپ را با برچسب کارخانه شناسایی کند. سیستم دیگر ممکن است از مکان عملکردی، شماره سریال یا توصیف غیررسمی استفاده کند.
حل این تفاوتها ضروری است. مدل پیشبینی باید رفتار حسگر را با دارایی صحیح، دوره عملیاتی، رویداد نگهداری و شرایط خرابی تأییدشده مرتبط کند.
تیم باید با ایجاد یک سلسلهمراتب مشترک دارایی شروع کند. هر مؤلفه نظارتشده باید هویتی پایدار در سیستمهای نگهداری و عملیاتی داشته باشد.
گام بعدی بررسی عملکرد تاریخی است. معیارهای مفید شامل میانگین زمان بین خرابیها، میانگین زمان تعمیر، نیروی کار نگهداری، مدت زمان توقف، هزینه قطعات یدکی و خسارت تولید است.
تحلیل باید نگهداری برنامهریزیشده را از نگهداری اصلاحی جدا کند. همچنین باید تعویض مؤلفه را از بازرسی، تنظیم، روانکاری و کارهای نامرتبط متمایز کند.
برای یک توربین بادی، تحلیل تاریخی ممکن است بر روی یاتاقانها، مراحل جعبهدنده، سیستمهای روانکاری، خنککننده ژنراتور، مکانیزمهای پیچ و تجهیزات تبدیل نیرو متمرکز شود.
مهندسان باید ثبت کنند که هر مؤلفه چند بار نیاز به مداخله داشته است. همچنین باید علائم هشداردهنده مشاهده شده قبل از خرابی را مستند کنند.
اندازهگیریهای ارتعاش قبلی ممکن است روند افزایشی را نشان دهند. نمونههای روغن ممکن است افزایش ذرات فلزی را نشان دهند. اپراتورها ممکن است تغییرات صدا یا دماهای ناپایدار را گزارش کرده باشند.
این مشاهدات به شناسایی متغیرهای پیشبینی مفید کمک میکند. همچنین برچسبهایی برای تحلیلهای نظارتشده یا نیمهنظارتشده فراهم میکند.
شرایط عملیاتی باید در پایه مقایسه گنجانده شود. سرعت باد، بار ژنراتور، سرعت چرخش، دمای محیط و حالت کنترل میتوانند بهشدت بر خوانش حسگرها تأثیر بگذارند.
سطح ارتعاشی که در بار کم غیرعادی به نظر میرسد ممکن است در تولید کامل قابل قبول باشد. رفتار دما نیز میتواند با شرایط محیطی و تقاضای خنککنندگی تغییر کند.
بنابراین پایه مقایسه باید رفتار تجهیزات را در چندین حالت عملیاتی توصیف کند. یک مقدار متوسط تنها بهندرت کافی است.
مسائل کیفیت داده باید مستندسازی شوند نه اینکه پنهان شوند. دورههای گمشده، زمانسنجیهای نادرست، حسگرهای جایگزین، خرابیهای ارتباطی و تغییرات کالیبراسیون میتوانند آموزش مدل را تحریف کنند.
تیمهای نگهداری باید سوابق تاریخی را با اپراتورها و تکنسینهای باتجربه اعتبارسنجی کنند. مشاهدات آنها اغلب تغییراتی را توضیح میدهد که در سوابق دیجیتال ظاهر نمیشود.
کاهش ناگهانی ارتعاش ممکن است مثبت به نظر برسد. یک تکنسین ممکن است بداند که حسگر در همان دوره شل شده است.
افزایش جریان ممکن است بار مکانیکی را نشان دهد. یک اپراتور ممکن است توضیح دهد که تقاضای تولید افزایش یافته چون واحد دیگری در دسترس نبوده است.
این جزئیات از ساخت روابط نادرست توسط تیم تحلیل جلوگیری میکند. همچنین پایه مقایسه را نمایانگر رفتار واقعی کارخانه میسازد.
۳. حالتهای خرابی را قبل از انتخاب فناوری تعریف کنید
نگهداری پیشبینیشده باید مکانیزمهای خاص خرابی را هدف قرار دهد. نباید تلاش کند همه مشکلات ممکن را از طریق یک مدل کلی تشخیص دهد.
تحلیل حالتها و اثرات خرابی روشی ساختاریافته ارائه میدهد. تیم مشخص میکند که یک قطعه چگونه میتواند خراب شود، چرا خراب میشود و چه پیامدهایی دارد.
هر حالت خرابی باید از نظر فراوانی، شدت، قابلیت تشخیص و زمان پاسخ موجود ارزیابی شود.
برخی خرابیها بهتدریج توسعه مییابند و علائم قابل اندازهگیری تولید میکنند. برخی دیگر ناگهانی رخ میدهند بدون دوره هشدار مفید.
نظارت پیشبینیشده بیشترین ارزش را زمانی ایجاد میکند که تخریب به اندازه کافی زود شروع شود تا قابل تشخیص باشد. دوره هشدار همچنین باید امکان برنامهریزی عملی نگهداری را فراهم کند.
آسیب بلبرینگ اغلب بهتدریج توسعه مییابد. الگوهای ارتعاش، انتشار صوتی، دما، وضعیت روانکاری و جریان موتور ممکن است قبل از خرابی کامل تغییراتی نشان دهند.
یک قطعه الکترونیکی ممکن است بدون کاهش قابل اندازهگیری خراب شود. در این صورت، افزونگی، تعویض پیشگیرانه یا قطعات یدکی ذخیرهشده ممکن است کنترل ریسک بهتری فراهم کنند.
تیم باید نگهداری پیشبینیشده را با گزینههای سادهتر مقایسه کند. یک بازرسی کمهزینه ممکن است بهطور مؤثری ریسک خرابی را کنترل کند.
افزودن حسگرها، شبکهها و تحلیلها سپس پیچیدگی ایجاد میکند بدون اینکه ارزش اضافی کافی داشته باشد.
توربینهای بادی چندین حالت خرابی مهم تجهیزات دوار را تجربه میکنند. دندانهای چرخدنده ممکن است ساییده یا ترک خورده باشند. یاتاقانها ممکن است آسیب سطحی، مشکلات روانکاری یا ناهماهنگی ایجاد کنند.
عدم تعادل شفت میتواند ارتعاش را افزایش دهد. شل بودن ساختاری میتواند رفتار تشدید را تغییر دهد. آلودگی روانکار میتواند سایش را در چندین قطعه تسریع کند.
این مشکلات اغلب علائم همپوشان تولید میکنند. افزایش دما ممکن است ناشی از اصطکاک، روانکاری ناکافی، خرابی خنککننده یا بار بیش از حد باشد.
یک سیگنال به ندرت علت اصلی را اثبات میکند. استراتژی نظارت باید اندازهگیریهای مکمل را در صورت توجیه ترکیب کند.
ارتعاش ممکن است الگوی فرکانس مکانیکی را نشان دهد. تحلیل روغن ممکن است ذرات سایش را تأیید کند. دما ممکن است افزایش اتلاف انرژی را نشان دهد.
بار عملیاتی زمینه ضروری را فراهم میکند. این اندازهگیریها با هم شواهد قویتری نسبت به هر مقدار منفرد ایجاد میکنند.
تحلیل باید فاصله زمانی خرابی احتمالی را تعریف کند. این دوره بین اولین نشانه قابل تشخیص و خرابی عملکردی است.
فاصله زمانی طولانی از تعمیر و نگهداری برنامهریزی شده پشتیبانی میکند. فاصله زمانی بسیار کوتاه ممکن است نیاز به حفاظت خودکار به جای برنامهریزی کاری عادی داشته باشد.
برای مثال، سایش تدریجی یاتاقان ممکن است هفتهها هشدار دهد. یک رویداد سرعت بیش از حد ناگهانی نیاز به کنترل یا اقدام حفاظتی فوری دارد.
تعمیر و نگهداری پیشبینی باید جایگزین حفاظت ماشینآلات نشود. این دو عملکرد در سطوح ریسک و سرعت واکنش متفاوت عمل میکنند.
پیشبینی از برنامهریزی قبل از توسعه وضعیت خطرناک پشتیبانی میکند. سیستمهای حفاظتی زمانی واکنش نشان میدهند که محدودیتهای پیکربندی شده تهدید فوری را نشان دهند.
بازبینی حالت خرابی باید فرضیه نظارتی مستندی تولید کند. باید توضیح دهد کدام سیگنال تغییر میکند، چرا تغییر میکند و چقدر زود باید این تغییر ظاهر شود.
همچنین باید بازرسی تعمیر و نگهداری را تعریف کند که بتواند وضعیت مشکوک را تأیید کند. این تأیید بعدها به اطلاعات آموزشی ارزشمندی تبدیل میشود.
شکل ۲. دادههای حسگر زمانی ارزشمند میشوند که از نتیجهگیریهای قابل اعتماد درباره وضعیت تجهیزات و نیازهای تعمیر و نگهداری آینده پشتیبانی کنند. تصویر با اجازه Limble CMMS استفاده شده است.
۴. تطبیق حسگرها با مکانیزم خرابی فیزیکی
انتخاب حسگر باید بر اساس تحلیل حالت خرابی انجام شود. سؤال درست این نیست که کدام حسگر بیشترین ویژگیها را ارائه میدهد.
سؤال درست این است که کدام اندازهگیری فیزیکی تخریب هدفمند را با هشدار کافی و اطمینان قابل قبول نشان میدهد.
اندازهگیریهای رایج شامل ارتعاش، دما، فشار، جریان، جریان موتور، سرعت، موقعیت، رطوبت، انرژی صوتی و وضعیت روانکار است.
روشهای تخصصی ممکن است شامل بازرسی اولتراسونیک، انتشار صوتی، بازرسی ذرات مغناطیسی، رادیوگرافی، ترموگرافی و تحلیل امضای الکتریکی باشد.
هر روش نقاط قوت و محدودیتهای خود را دارد. نظارت ارتعاش برای بسیاری از قطعات دوار بسیار مؤثر است، اما موقعیت حسگر و کیفیت نصب به شدت بر نتیجه تأثیر میگذارد.
نظارت دما آسان برای اجرا است. با این حال، تغییرات دما ممکن است دیرتر از علائم ارتعاش یا روانکاری ظاهر شوند.
تحلیل جریان موتور میتواند تغییرات بار و برخی شرایط الکتریکی یا مکانیکی را شناسایی کند. ممکن است نیاز به جداسازی دقیق تغییرات عادی فرآیند داشته باشد.
انتشار صوتی میتواند انرژی فرکانس بالا تولید شده توسط اصطکاک، رشد ترک، ضربات و تغییر شکل مواد را شناسایی کند. نویز صنعتی میتواند تفسیر را پیچیده کند.
برای توربین بادی، ناچل و برج انرژی مکانیکی را از چندین مؤلفه منتقل میکنند. این ساختار میتواند از نظارت صوتی یا ارتعاشی از راه دور پشتیبانی کند.
با این حال، مسیر سیگنال نیز پیچیدگی ایجاد میکند. فعالیت گیربکس، ژنراتور، بلبرینگ، پره و ساختار ممکن است در همان اندازهگیری ظاهر شود.
مهندسان باید نقاط اندازهگیری را با استفاده از ساختار ماشین، مسیرهای بار، موقعیت بلبرینگها، فرکانسهای مورد انتظار و دسترسی انتخاب کنند.
آنها باید از نصب حسگرها فقط در جایی که کابلکشی راحت است خودداری کنند. محلگذاری راحت ممکن است سیگنال ضعیف یا گمراهکننده تولید کند.
روش نصب اهمیت دارد. یک شتابسنج نصب شده بهدرستی روی پیچ معمولاً عملکرد بهتری در فرکانسهای بالا نسبت به حسگر مغناطیسی شل دارد.
دامنه فرکانسی انتخاب شده باید با خطا مطابقت داشته باشد. حرکت ساختاری کند و ضربات بلبرینگ با فرکانس بالا نیازمند استراتژیهای نمونهبرداری متفاوت هستند.
دامنه حسگر نیز مهم است. حسگری با دامنه اندازهگیری بیش از حد ممکن است وضوح را کاهش دهد. حسگر با دامنه باریک ممکن است در طول گذراها اشباع شود.
شرایط محیطی میتواند بر قابلیت اطمینان تأثیر بگذارد. دما، رطوبت، گرد و غبار، روغن، تماس با مواد شیمیایی، تداخل الکترومغناطیسی و شوک مکانیکی باید در نظر گرفته شوند.
مناطق خطرناک ممکن است به تجهیزات تأیید شده، موانع مناسب و روشهای نصب مطابق نیاز داشته باشند. داراییهای دورافتاده ممکن است به ارتباطات کممصرف و بافر داده محلی نیاز داشته باشند.
معماری نظارت باید اندازهگیریهای پیوسته و دورهای را متمایز کند. تجهیزات حیاتی ممکن است جمعآوری پیوسته را توجیه کند.
تجهیزات کمتر حیاتی ممکن است از حسگرهای بیسیم یا مسیرهای تکنسین استفاده کنند. روش صحیح به سرعت خرابی، اهمیت دارایی و ارزش اقتصادی بستگی دارد.
تکرار حسگر باید انتخابی باشد. نصب چند فناوری میتواند تشخیص را بهبود بخشد، اما اندازهگیریهای غیرضروری هزینههای نگهداری و مدیریت داده را افزایش میدهد.
یک برنامه گیربکس ممکن است ارتعاش، ذرات روغن، دما و بار را ترکیب کند. یک فن ساده ممکن است فقط به ارتعاش و جریان موتور نیاز داشته باشد.
کالیبراسیون، سلامت حسگر و وضعیت ارتباط نیز باید نظارت شوند. در غیر این صورت، یک حسگر خراب ممکن است به عنوان رفتار پایدار تجهیزات ظاهر شود.
سیستم باید سیگنالهای تخت، مقادیر غیرممکن، نویز بیش از حد، شکافهای داده و رانش تدریجی حسگر را شناسایی کند.
پردازش لبه میتواند با محاسبه ویژگیها در نزدیکی دارایی، ترافیک شبکه را کاهش دهد. نمونهها شامل ارتعاش ریشه میانگین مربعات، ضریب برجستگی، کورتوزیس، قلههای طیفی و نرخ تغییر دما است.
نگهداری شکل موج خام برای بررسی مفید باقی میماند. با این حال، ذخیرهسازی نامحدود هر شکل موج با فرکانس بالا ممکن است هزینه غیرضروری ایجاد کند.
رویکرد متعادل ویژگیهای محاسبهشده را به طور مداوم ذخیره میکند. دادههای خام را در اطراف ناهنجاریها، انتقالهای عملیاتی و رویدادهای شکست تأیید شده حفظ میکند.
قطعات حسگر و نظارت صنعتی باید در طول چرخه عمر برنامه نیز قابل نگهداری باقی بمانند. در دسترس بودن جایگزین، مستندسازی و سازگاری سیستم بر قابلیت اطمینان بلندمدت تأثیر میگذارد.
تأسیسات در حال بازبینی معماری نظارت خود میتوانند قطعات مناسب نظارت بر ماشینآلات را برای ارتعاش، موقعیت، سرعت و کاربردهای وضعیت تجهیزات مقایسه کنند.
5. آمادهسازی دادهها و توسعه مدل تحلیلی
نصب حسگر، فاز توسعه داده را آغاز میکند. این کار بلافاصله مدل پیشبینی قابل اعتمادی ایجاد نمیکند.
دادههای خام صنعتی شامل نویز، مقادیر گمشده، انتقالهای عملیاتی، قطع ارتباط و تغییرات مرتبط با نگهداری است. این شرایط باید به صورت سیستماتیک مدیریت شوند.
اولین نیاز، تراز زمانی دقیق است. دادههای حسگر، مقادیر فرآیند، رویدادهای هشدار و سوابق نگهداری باید از زمانسنجهای سازگار استفاده کنند.
چند دقیقه عدم تراز میتواند روابط نادرست ایجاد کند. این مشکل در تغییرات سریع عملیاتی یا رویدادهای خطا جدی میشود.
نرخ نمونهبرداری باید با اندازهگیری مطابقت داشته باشد. دما ممکن است نیاز به یک خوانش در هر دقیقه داشته باشد. تحلیل ارتعاش ممکن است به هزاران نمونه در هر ثانیه نیاز داشته باشد.
مهندسان داده اغلب سیگنالهای خام را به ویژگیهای شرایط تبدیل میکنند. این ویژگیها حجم داده را کاهش داده و الگوهای مرتبط با خرابی را برجسته میکنند.
ویژگیهای مفید ارتعاش شامل دامنه کلی، انرژی طیفی، باندهای جانبی، هارمونیکها، مقادیر پوشش، ضریب برجستگی و کورتوزیس است.
ویژگیهای دما ممکن است شامل مقدار مطلق، اختلاف با محیط، نرخ تغییر و انحراف از دارایی مشابه باشد.
ویژگیهای فعلی ممکن است شامل تقاضای نرمالشده بر اساس بار، محتوای هارمونیک، عدم تعادل فاز و تغییرات در شرایط عملیاتی معادل باشد.
زمینه عملیاتی باید بخشی از مجموعه داده باقی بماند. مدلهایی که بدون سرعت، بار، وضعیت تولید یا شرایط محیطی آموزش داده شدهاند، ممکن است تغییرات طبیعی را با آسیب تجهیزات اشتباه بگیرند.
یک توربین بادی در شرایط باد متغیر امضاهای متفاوتی تولید میکند. راهاندازی، خاموش شدن، تنظیم زاویه پره، ترمزگیری و رویدادهای شبکه نیز تغییرات موقتی ایجاد میکنند.
مدل باید این انتقالها را درک کند یا حذف نماید. در غیر این صورت، ممکن است هر بار که وضعیت عملیاتی تغییر میکند، هشدارهای مکرر تولید کند.
انتخاب مدل به برچسبهای موجود بستگی دارد. اگر نمونههای شکست تاریخی به خوبی مستند شده باشند، یادگیری نظارتشده ممکن است امکانپذیر باشد.
در بسیاری از تأسیسات، نمونههای خطای تأیید شده محدود هستند. بنابراین روشهای بدون نظارت یا نیمهنظارت ممکن است نقطه شروع عملی باشند.
مدل رفتار نرمال رابطه مورد انتظار بین سیگنالها در عملکرد سالم را یاد میگیرد. سپس انحرافات از آن رابطه را شناسایی میکند.
این رویکرد اغلب مفید است زیرا دادههای عملکرد سالم بیشتر از دادههای خرابی است.
با این حال، ناهنجاری به طور خودکار به معنای خرابی نیست. فقط نشان میدهد که رفتار فعلی با مرجع یادگرفته شده متفاوت است.
مهندسان باید تعیین کنند که آیا تغییر نشاندهنده خرابی، تغییر فرآیند، فعالیت نگهداری، مشکلات حسگر یا حالت عملیاتی نمایان نشده است.
مدل باید به دورههای آموزش، اعتبارسنجی و آزمایش تقسیم شود. تقسیم تصادفی نمونههای فردی میتواند نتایج گمراهکننده ایجاد کند.
دادههای سری زمانی صنعتی روابط قوی بین اندازهگیریهای مجاور دارند. بنابراین دوره آزمایش باید شامل دورههای عملیاتی یا تاریخچههای دارایی جداگانه باشد.
معیارهای عملکرد باید نیازهای نگهداری را منعکس کنند. دقت کلی میتواند گمراهکننده باشد زیرا رویدادهای خرابی نادر هستند.
معیارهای مفید شامل دقت، بازیابی، هشدارهای کاذب در ماه، رویدادهای از دست رفته، زمان هشدار و درصد هشدارهای قابل اقدام است.
برای مثال، یک مدل ممکن است هر مشکل یاتاقان را شناسایی کند. اما ممکن است هر هفته ده هشدار کاذب نیز تولید کند.
پرسنل نگهداری به سرعت اعتماد خود را از دست میدهند. مدل ممکن است از نظر فنی حساس باشد اما از نظر عملیاتی غیرقابل استفاده.
نتیجه تحلیلی باید قابل توضیح نیز باشد. مهندسان باید ببینند کدام متغیرها تغییر کردهاند و الگو چگونه با خط مبنا متفاوت است.
هشداری که فقط «ناهنجاری شناسایی شد» را اعلام کند، ارزش تشخیصی محدودی دارد. هشدار بهتر، ارتعاشات افزایشی گیربکس را در نزدیکی یک فرکانس خاص مشخص میکند.
ممکن است همچنین افزایش دما و روند رو به وخامت تحت بار مشابه را نشان دهد. این اطلاعات از بازرسی هدفمند پشتیبانی میکند.
مستندات مدل باید دوره آموزش، داراییهای شامل شده، شرایط عملیاتی، دادههای حذف شده، ویژگیهای ورودی و محدودیتهای مورد انتظار را ثبت کند.
این رکورد زمانی که تجهیزات تغییر میکنند، حسگرها تعویض میشوند یا فرآیند تولید تغییر میکند، ضروری میشود.
6. بهبود مدل از طریق نتایج نگهداری تأیید شده
مدلهای پیشبینی نیازمند یادگیری مداوم هستند. نسخه اول آنها که به کار گرفته میشود باید به عنوان یک انتشار مهندسی کنترلشده و نه یک محصول نهایی در نظر گرفته شود.
مدلهای اولیه اغلب به دادههایی وابستهاند که توسط مهندسان و دانشمندان داده برچسبگذاری شدهاند. با گذشت زمان، سیستم تاریخچه عملکرد و شواهد نگهداری بیشتری دریافت میکند.
هر هشدار فرصتی برای یادگیری ایجاد میکند. تیم نگهداری باید ثبت کند که آیا وضعیت پیشبینی شده تأیید شده، تا حدی تأیید شده یا رد شده است.
بازرسی باید وضعیت واقعی قطعه را توصیف کند. عکسها، اندازهگیریها، نتایج روغن، قطعات تعویض شده و مشاهدات تکنسین میتوانند شواهد ارزشمندی ارائه دهند.
وضعیت ساده «کار انجام شد» کافی نیست. این وضعیت توضیح نمیدهد که آیا مدل مشکل صحیح را شناسایی کرده است یا خیر.
سیستم مدیریت نگهداری کامپیوتری باید کدهای خرابی ساختاریافته و مشاهدات متنی آزاد را ثبت کند. هر دو نوع اطلاعات مفید هستند.
کدهای ساختاریافته تحلیل را در رویدادهای متعدد پشتیبانی میکنند. یادداشتهای تکنسین جزئیاتی ارائه میدهند که دستهبندیهای از پیش تعریفشده ممکن است از دست بدهند.
برای توربین بادی، مدل ممکن است افزایش اصطکاک جعبهدنده را نشان دهد. بازرسی ممکن است آلودگی روانکار را به جای آسیب دنده نشان دهد.
مدل هنوز هشدار مفیدی ارائه داد. با این حال، علت تأییدشده باید در تحلیلهای آینده گنجانده شود.
این بازخورد به تمایز مکانیزمهای خرابی مرتبط کمک میکند. همچنین توصیههای نگهداری را بهبود میبخشد.
مدلها ممکن است با تغییر تجهیزات یا عملیات تغییر کنند. روانکار جدید، موتور جایگزین، تنظیم کنترل یا افزایش تولید میتواند رفتار عادی را تغییر دهد.
شرایط فصلی نیز میتواند بر خط پایه تأثیر بگذارد. ماشینآلات بیرونی ممکن است تغییرات قابل توجه دما و رطوبت را تجربه کنند.
نظارت بر مدل باید توزیع ورودیها، نرخ ناهنجاریها، اعتماد پیشبینی و عملکرد هشدار تأییدشده را پیگیری کند.
افزایش ناگهانی هشدارها ممکن است نشاندهنده تخریب واقعی در چندین دارایی باشد. همچنین ممکن است مشکلات حسگر یا تغییر عملیاتی را نشان دهد.
بازآموزی باید از یک فرآیند کنترلشده پیروی کند. تیم نباید هر الگوی عملیاتی جدید را به طور خودکار به عنوان حالت عادی بپذیرد.
یک دارایی در حال تخریب ممکن است ماهها به کار خود ادامه دهد. گنجاندن آن دوره به عنوان داده آموزش سالم مدل را ضعیف میکند.
مهندسان باید پنجرههای آموزش را تأیید کنند و دورههای غیرطبیعی حلنشده را حذف کنند. کنترل نسخه باید رفتار مدل قبلی را حفظ کند.
وقتی مدل جدیدی منتشر میشود، عملکرد آن باید با نسخه موجود مقایسه شود. استقرار سایه میتواند مدل جدید را بدون کنترل تصمیمات نگهداری ارزیابی کند.
این فرآیند حاکمیت فنی ایجاد میکند. همچنین از ایجاد اختلال در برنامهریزی نگهداری توسط تغییرات تحلیلی آزمایشنشده جلوگیری میکند.
7. تبدیل نتایج تحلیلی به سطوح هشدار عملی
آستانههای هشدار خروجی مدل را به اقدام نگهداری متصل میکنند. آستانههای ضعیف میتوانند مدل توانمند را بیاثر کنند.
آستانهای که بیش از حد حساس باشد، کار غیرضروری ایجاد میکند. آستانهای که خیلی بالا باشد ممکن است هشدار را فقط کمی قبل از خرابی بدهد.
طراحی آستانه باید شامل متخصصان نگهداری، قابلیت اطمینان، عملیات و داده باشد. هر گروه دانش متفاوتی ارائه میدهد.
متخصصان داده اعتماد مدل و رفتار توزیع را درک میکنند. مهندسان قابلیت اطمینان الگوهای تخریب را میشناسند.
برنامهریزان نگهداری زمانبندی آمادهسازی کار و زمانهای پیشنیاز منابع را درک میکنند. تیمهای عملیاتی محدودیتهای تولید و ریسک عملیاتی قابل قبول را میفهمند.
به جای یک سطح هشدار، بسیاری از برنامهها از چندین مرحله بهره میبرند. هر مرحله باید با یک پاسخ مشخص مطابقت داشته باشد.
سطح مشورتی ممکن است انحراف کوچک اما مداوم را نشان دهد. پاسخ ممکن است شامل بازبینی روند و افزایش نظارت باشد.
یک اعلان نگهداری ممکن است نشاندهنده خرابی در حال توسعه باشد. پاسخ ممکن است شامل برنامهریزی بازرسی، بررسی قطعات و آمادهسازی دستورکار باشد.
یک اعلان بحرانی ممکن است پیشرفت سریع را نشان دهد. پاسخ ممکن است کاهش بار، بازرسی فوری یا خاموشی کنترلشده باشد.
آستانهها باید هم بزرگی و هم مدت زمان را در نظر بگیرند. یک جهش کوتاه ممکن است ناشی از گذار عملیاتی باشد.
انحراف کوچکتری که چند روز ادامه یابد ممکن است نشاندهنده وضعیت مهمتری باشد.
نرخ تغییر نیز ارزشمند است. ارتعاش به آرامی افزایشیابنده و ارتعاش به سرعت افزایشیابنده نباید اولویتهای یکسانی داشته باشند.
سیگنالهای متعدد میتوانند اطمینان را افزایش دهند. ناهنجاری ارتعاش همراه با تغییرات دما و ذرات روغن نیازمند توجه بیشتری است.
قوانین سرکوب اعلان باید با دقت طراحی شوند. دورههای نگهداری، توالیهای راهاندازی، خرابیهای شناختهشده حسگر و آزمایشهای برنامهریزیشده ممکن است نیاز به مدیریت موقت داشته باشند.
با این حال، سرکوب اعلان باید قابل مشاهده و قابل حسابرسی باقی بماند. سرکوب پنهان یا نامحدود میتواند ریسک واقعی تجهیزات را مخفی کند.
هر اعلان باید اطلاعات کافی برای اقدام داشته باشد. باید دارایی، وضعیت مشکوک، روند، اطمینان و گام بعدی پیشنهادی را مشخص کند.
همچنین باید زمینه عملیاتی مرتبط را نشان دهد. این میتواند شامل بار، سرعت، دما و مقایسه با داراییهای مشابه باشد.
برنامه باید کیفیت اعلانها را اندازهگیری کند. معیارهای مفید شامل نرخ اعلانهای نادرست، زمان پاسخ، یافتههای تأییدشده، دوره هشدار و شکستهای جلوگیریشده است.
هدف افزایش تعداد اعلانها نیست. هدف ارائه تعداد قابل مدیریت و قابل اعتماد تصمیمات نگهداری است.
شکل ۳. نگهداری پیشبینیشده به حلقهای پیوسته بین تجهیزات فیزیکی، تحلیل دیجیتال و اقدام میدانی تأییدشده وابسته است. تصویر با اجازه Limble CMMS استفاده شده است.
8. اتصال تشخیص ناهنجاری به اجرای کار در CMMS
پیشبینی تنها زمانی ارزشمند است که به اقدام مناسب میدانی منجر شود. این گام نهایی حلقه فیزیکی-دیجیتال-فیزیکی را میبندد.
ابتدا حسگرها شرایط تجهیزات فیزیکی را اندازهگیری میکنند. دادهها منتقل، پاکسازی، زمینهسازی و در سیستمهای دیجیتال تحلیل میشوند.
بینش حاصل باید سپس به عملیات فیزیکی بازگردد. پرسنل نگهداری قطعه آسیبدیده را بازرسی، تنظیم، روانکاری، تعمیر یا تعویض میکنند.
سیستم مدیریت نگهداری و تعمیرات (CMMS) پل عملیاتی بین تحلیلها و اجرای نگهداری را فراهم میکند. این سیستم یافتههای فنی را به کارهای برنامهریزیشده تبدیل میکند.
ادغام میتواند با یک فرآیند بازبینی ساده آغاز شود. یک مهندس هشدار را تأیید میکند قبل از اینکه درخواست کار ایجاد شود.
سیستمهای پیشرفتهتر میتوانند بهطور خودکار اعلانها یا پیشنویس دستورکارها را ایجاد کنند. ممکن است هنوز تأیید انسانی قبل از برنامهریزی لازم باشد.
ایجاد خودکار کامل دستور کار باید به صورت انتخابی استفاده شود. اتوماسیون ضعیف مدیریتشده میتواند CMMS را با کارهای تکراری یا کمارزش پر کند.
هر دستور کار باید وضعیت پیشبینیشده، روندهای پشتیبان، بازرسی توصیهشده، مهارتهای مورد نیاز و ملاحظات ایمنی مرتبط را شامل شود.
بسته کاری ممکن است شامل قطعات یدکی، ابزارها، روشها، مجوزها و زمان تخمینی تکمیل باشد.
برای مثال توربین بادی، موتور پیشبینی ممکن است وضعیت در حال توسعه یاتاقان را تشخیص دهد. ممکن است تخمین بزند که مداخله ظرف چهار هفته لازم است.
CMMS میتواند در دسترس بودن یاتاقان یدکی، برنامههای تکنسین، نیازهای جرثقیل و سایر کارهای برنامهریزیشده در همان مکان را بررسی کند.
برنامهریز نگهداری سپس میتواند یک بازه خدمات مناسب انتخاب کند. این کار از بسیج اضطراری جلوگیری کرده و تولید از دست رفته را کاهش میدهد.
دستور کار باید یافتههای نهایی را ثبت کند. تکنسین باید تأیید کند که آیا آسیب به یاتاقان، از دست رفتن روانکاری، شل بودن یا وضعیت دیگری وجود داشته است.
قطعه جداشده ممکن است تحت بازرسی بیشتر قرار گیرد. تحلیل آزمایشگاهی میتواند شواهد بیشتری درباره پیشرفت خرابی ارائه دهد.
این یافتهها به محیط تحلیل بازمیگردند. آنها برچسبهای مدل، تنظیمات آستانه و توصیههای نگهداری را بهبود میبخشند.
ادغام CMMS همچنین از تحلیل مالی پشتیبانی میکند. سازمان میتواند کار پیشبینیشده را با تعمیرات اضطراری قبلی مقایسه کند.
میتواند نیروی کار، قطعات، زمان توقف، خسارت جلوگیریشده و تأثیر تولید را اندازهگیری کند. این نتایج نشان میدهند که آیا برنامه ارزش اقتصادی ایجاد میکند یا خیر.
ادغام باید مالکیت واضح را حفظ کند. تیمهای قابلیت اطمینان ممکن است مالک اعتبارسنجی فنی باشند، در حالی که برنامهریزان نگهداری مالک زمانبندی کارها هستند.
پرسنل عملیات ممکن است تغییرات تولید را تأیید کنند. تیمهای داده ممکن است عملکرد مدل و زیرساخت داده را حفظ کنند.
مسئولیت نباید بین سیستمها گم شود. هر هشدار باید یک مالک مسئول و زمان پاسخ مشخص داشته باشد.
سازمانها همچنین باید برای شکستهای ارتباطی برنامهریزی کنند. بینشهای حیاتی ممکن است نیاز به ذخیرهسازی محلی، همگامسازی با تأخیر یا روشهای اطلاعرسانی جایگزین داشته باشند.
تجهیزات از راه دور نمیتوانند کاملاً به اتصال مداوم ابری وابسته باشند. سیستمهای لبه باید دادههای مهم را در طول قطعیها حفظ کنند.
چرخه کامل با هر رویداد تأیید شده قویتر میشود. دادههای حسگر پیشبینیها را بهبود میبخشد، پیشبینیها برنامهریزی نگهداری را بهبود میدهند و یافتههای نگهداری مدلهای آینده را بهبود میبخشند.
پیشبینی را از حفاظت ماشینآلات جدا نگه دارید
نگهداری پیشبینیشده و حفاظت از ماشینآلات اغلب از اندازهگیریهای مرتبط استفاده میکنند. اهداف و نیازهای واکنشی آنها متفاوت باقی میماند.
یک سیستم پیشبینیکننده تخریب تدریجی را شناسایی کرده و از مداخله برنامهریزیشده پشتیبانی میکند. این سیستم ممکن است در بازههای زمانی روزها، هفتهها یا ماهها عمل کند.
یک سیستم حفاظتی در عرض چند ثانیه یا میلیثانیه به شرایط خطرناک واکنش نشان میدهد. هدف آن جلوگیری از خسارت فاجعهبار یا عملکرد ناایمن است.
تحلیلهای پیشبینی نباید منطق خاموشی تثبیتشده را به تأخیر بیندازد یا لغو کند. عملکردهای حفاظت باید قطعی، تأییدشده و بهطور مناسب مستقل باقی بمانند.
برای مثال، مدل لرزش توربین ممکن است نقص یاتاقان در حال توسعه آهسته را شناسایی کند. نگهداری میتواند بازرسی را در طول توقف برنامهریزیشده انجام دهد.
اگر لرزش به حد خطر پیکربندیشده برسد، سیستم حفاظت ماشینآلات ممکن است یک توقف اضطراری را آغاز کند. این واکنش نمیتواند به مدل ابری یا تأیید تأخیری وابسته باشد.
سیستمها همچنان میتوانند زمینه مهندسی را به اشتراک بگذارند. رویدادهای حفاظت میتوانند برچسبهای ارزشمندی برای تحلیل پیشبینی فراهم کنند.
روندهای پیشبینی همچنین میتوانند به مهندسان در بازبینی تنظیمات هشدار و توقف کمک کنند. هر تغییر در تنظیمات حفاظت باید طبق رویههای مهندسی رسمی انجام شود.
تأسیساتی که تجهیزات چرخشی حیاتی را اداره میکنند ممکن است از پلتفرمهای اختصاصی مانند سیستم حفاظت ماشینآلات بنتلی نوادا ۳۵۰۰ در کنار نظارت وضعیت گستردهتر و تحلیلهای نگهداری استفاده کنند.
معماری باید مالکیت دادهها، نرخ بهروزرسانی، مرزهای امنیت سایبری و جریانهای اطلاعات مجاز بین سیستمها را تعریف کند.
این تفکیک ایمنی و در دسترس بودن را حفظ میکند. همچنین از اعمال انتظارات نگهداری پیشبینیشده به عملکردهای حفاظت زمان واقعی نامناسب جلوگیری میکند.
اندازهگیری نتایج از طریق نتایج نگهداری و تولید
یک برنامه نگهداری پیشبینیشده نباید بر اساس تعداد حسگرها، تعداد داشبوردها یا حجم دادههای ذخیرهشده ارزیابی شود.
این ارقام فعالیت فنی را توصیف میکنند. آنها اثبات نمیکنند که سازمان قابلیت اطمینان را بهبود بخشیده است.
معیارهای عملکرد باید مستقیماً با نتایج نگهداری و تولید مرتبط باشند. معیارهای مفید شامل جلوگیری از خرابیها، کاهش زمان توقف و افزایش دورههای هشدار است.
سازمانها همچنین میتوانند کار اضطراری، درصد کار برنامهریزیشده، نیروی کار نگهداری، مصرف قطعات یدکی و در دسترس بودن داراییها را پیگیری کنند.
میانگین زمان بین خرابیها ممکن است طی چند سال بهبود یابد. برنامههای آزمایشی همچنین به معیارهایی نیاز دارند که زودتر قابل مشاهده باشند.
دقت هشدار یکی از شاخصهای اولیه است. این شاخص نشان میدهد که هشدار چند بار شرایط تأیید شدهای که نیاز به اقدام دارد را شناسایی میکند.
زمان هشدار متوسط نشان میدهد که آیا سیستم زمان کافی برای برنامهریزی فراهم میکند یا خیر. پیشبینی صحیحی که یک ساعت قبل از خرابی برسد ممکن است ارزش نگهداری کمی داشته باشد.
درصد مداخلات برنامهریزیشده نشان میدهد که آیا پیشبینیها اجرای کار را تغییر میدهند یا خیر. کاهش خرید اضطراری میتواند مزیت قابل اندازهگیری دیگری باشد.
برای تجهیزات پرمصرف انرژی، برنامه ممکن است کاهش کارایی را قبل از خرابی عملکردی شناسایی کند. اصلاح ناهماهنگی، اصطکاک یا گرفتگی میتواند مصرف برق را کاهش دهد.
فرآیندهای حساس به کیفیت ممکن است از عملکرد پایدار تجهیزات بهرهمند شوند. خرابی درایو، شیر یا دستگاه اندازهگیری میتواند بر یکنواختی محصول تأثیر بگذارد.
محاسبات کسبوکار باید هزینههای پیادهسازی و عملیاتی را شامل شود. حسگرها نیاز به نگهداری دارند. نرمافزار نیاز به پشتیبانی دارد. مدلها نیاز به بازبینی و آموزش مجدد دارند.
هزینههای شبکه، ذخیرهسازی، یکپارچهسازی و امنیت سایبری نیز باید لحاظ شوند. حذف این هزینهها تخمینی غیرواقعی از بازده ایجاد میکند.
یک محاسبه ساده ارزش میتواند مزایای سالانه مورد انتظار را با هزینههای سالانه برنامه مقایسه کند. مزایا ممکن است شامل جلوگیری از توقف، کاهش آسیب ثانویه و کاهش نیروی کار اضطراری باشد.
سازمان باید صرفهجوییهای تأیید شده را از کاهش ریسک تخمینی متمایز کند. هر دو مهم هستند، اما نباید به عنوان نتایج یکسان ارائه شوند.
برای مثال، نقص کشف شده در یاتاقان ممکن است از خرابی واقعی جلوگیری کند. هزینه اجتناب شده آن میتواند با استفاده از تاریخچه خرابیهای قبلی تخمین زده شود.
هشدارهایی که نقص تأیید شدهای تولید نکردهاند نباید به طور خودکار همان ارزش مالی را دریافت کنند.
بررسیهای موردی باید شواهد پشت هر مزیت را مستند کنند. این رویکرد اعتبار را در میان عملیات و رهبری مالی ایجاد میکند.
این همچنین به تیم کمک میکند تا داراییها و حالتهای خرابی را که بیشترین بازده را دارند شناسایی کند.
از رایجترین شکستهای نگهداری پیشبینیشده اجتناب کنید
بسیاری از برنامههای نگهداری پیشبینیشده با مشکلات مشابهی مواجه میشوند. شناسایی زودهنگام آنها میتواند نمونه اولیه را از هزینههای غیرضروری محافظت کند.
مشکل اول، انتخاب دارایی به دلیل سهولت است. تجهیزات در دسترس ممکن است آسان برای ابزارگذاری باشند، اما خرابی آنها ممکن است تأثیر عملیاتی کمی داشته باشد.
مشکل دوم، جمعآوری داده بدون تعریف حالتهای خرابی است. سیستم سپس روندهایی تولید میکند بدون اینکه توضیح دهد چه چیزی باید بازرسی شود.
مشکل سوم، نادیده گرفتن زمینه عملیاتی است. تغییرات در بار، سرعت، درجه محصول یا دمای محیط میتواند شبیه به خرابی باشد.
مشکل چهارم، تکیه بر شناسایی ضعیف دارایی است. دادههای حسگر و سوابق تعمیر و نگهداری وقتی نام تجهیزات در سیستمها متفاوت باشد، قابل اتصال مطمئن نیستند.
مشکل پنجم، استفاده از سوابق تعمیر و نگهداری تاریخی بدون اعتبارسنجی است. دستورکارها ممکن است شامل توضیحات ناقص، ناسازگار یا کپی شده باشند.
مشکل ششم، اندازهگیری عملکرد مدل تنها از طریق دقت کلی است. شکستهای نادر میتوانند مدلی ناکارآمد را موفق نشان دهند.
مشکل هفتم، تولید هشدارهای بیش از حد است. هشدارهای نادرست مکرر اعتماد را کاهش داده و پرسنل را به نادیده گرفتن سیستم ترغیب میکند.
مشکل هشتم، ارائه هشدارها بدون اقدامات پیشنهادی است. تیمهای تعمیر و نگهداری به راهنمایی بازرسی نیاز دارند، نه فقط امتیازهای عددی ناهنجاری.
مشکل نهم، حذف تکنسینها از فرایند توسعه است. پرسنل میدانی صداهای عملکرد، نقصهای مکرر، راههای میانبر تعمیر و نگهداری و تاریخچه تجهیزات را درک میکنند.
مشکل دهم، مقیاسبندی قبل از پایدار شدن نمونه اولیه است. گسترش یک مدل نابالغ مشکلات کیفیت داده و بار کاری مدیریت هشدارها را چند برابر میکند.
امنیت سایبری همچنین میتواند به یک ریسک نادیده گرفته شده تبدیل شود. حسگرها و دروازههای جدید سطح حمله صنعتی را گسترش میدهند.
دستگاهها باید از دسترسی کنترلشده، پیکربندی امن، فرمویر مستند، تقسیمبندی شبکه و احراز هویت مناسب استفاده کنند.
اتصال ابری باید مطابق با سیاستها و ارزیابیهای ریسک سایت باشد. دسترسی از راه دور نباید مسیر کنترل نشدهای به شبکههای کنترل بحرانی ایجاد کند.
سازمانها همچنین باید از وابستگی به یک متخصص خودداری کنند. سیستم نیاز به مالکیت مستند، رویههای عملیاتی و مسئولیتهای پشتیبانی دارد.
مدلی که فقط یک دانشمند داده آن را میفهمد، نگهداری آن دشوار است. سیستمی که تکنسینها نتوانند عیبیابی کنند، در نهایت دادهها را از دست میدهد.
برنامههای موفق نگهداری پیشبینی را به عنوان یک سیستم صنعتی نگهداری شده میدانند. آنها کنترل پیکربندی، بازبینی عملکرد و برنامهریزی چرخه عمر را اعمال میکنند.
از پایلوت به استاندارد تکرارپذیر سایت حرکت کنید
یک پایلوت موفق بهطور خودکار به یک برنامه سازمانی موفق تبدیل نمیشود. مقیاسپذیری نیازمند استانداردسازی است بدون نادیده گرفتن تفاوتهای تجهیزات.
اولین گام در مقیاسپذیری، مستندسازی معماری پایلوت است. این شامل حسگرها، دروازهها، ساختار برچسبها، نرخ نمونهبرداری، ویژگیها، مدلها، آستانهها و گردش کار CMMS است.
تیم باید مشخص کند کدام عناصر قابل استفاده مجدد هستند. شناسایی دارایی، کنترلهای امنیت سایبری، قالبهای داشبورد و فیلدهای دستور کار ممکن است به استانداردهای سایت تبدیل شوند.
مدلهای خرابی ممکن است نیاز به سفارشیسازی بیشتری داشته باشند. مدل پمپ نمیتواند مستقیماً روی ترانسفورماتور یا درایو سروو اعمال شود.
حتی پمپهای مشابه ممکن است تحت بار، سیالات، سرعتها و شرایط لولهکشی متفاوتی کار کنند. اعتبارسنجی محلی همچنان ضروری است.
سازمان میتواند قالبهایی برای کلاسهای دارایی رایج ایجاد کند. یک قالب موتور ممکن است شامل ارتعاش، جریان، دما، سرعت و اطلاعات وضعیت عملکرد باشد.
یک قالب پمپ گریز از مرکز ممکن است فشار مکش، فشار تخلیه، جریان و وضعیت مهر و موم را اضافه کند.
یک قالب جعبهدنده ممکن است شامل سرعت شفت، طیف ارتعاش، وضعیت روغن و بار باشد. این قالبها تلاش مهندسی را کاهش میدهند و در عین حال ارتباط فنی را حفظ میکنند.
انتخاب دارایی باید از طریق تحلیل بحرانی بودن و حالتهای خرابی ادامه یابد. مقیاسپذیری نباید به معنای نصب حسگر روی هر دستگاه باشد.
استراتژی چندسطحی اغلب مؤثرتر است. داراییهای بحرانی نظارت آنلاین مداوم دریافت میکنند.
داراییهای مهم ممکن است با فرکانس پایینتر به صورت بیسیم نظارت شوند. داراییهای غیر بحرانی ممکن است تحت بازرسی دورهای یا نگهداری پیشگیرانه باقی بمانند.
معماری دادهها همچنین باید مقیاسپذیر باشد. قراردادهای نامگذاری، واحدها، زمانسنجها، پرچمهای کیفیت و سلسلهمراتب داراییها باید ثابت بمانند.
بدون این استانداردها، هر سایت جدید یک مجموعه داده جداگانه ایجاد میکند. تحلیل سازمانی سپس دشوار و پرهزینه میشود.
حاکمیت مدل باید مشخص کند که چه کسی میتواند تغییرات را تأیید کند. همچنین باید الزامات تست، انتشار، بازگردانی و بازبینی عملکرد را تعریف کند.
آموزش به همان اندازه مهم است. اپراتورها باید معنی هشدارها را درک کنند. برنامهریزان نگهداری باید بدانند پیشبینیها چگونه بر اولویت کار تأثیر میگذارند.
تکنسینها به روشهایی برای تأیید شرایط پیشبینی شده نیاز دارند. مهندسان قابلیت اطمینان به ابزارهایی برای بررسی شواهد مدل و نتایج نگهداری نیاز دارند.
رهبری باید معیارهای عملیاتی را دریافت کند نه جزئیات فنی مدل. آنها باید در دسترس بودن، زمانهای توقف اجتناب شده، کارایی نگهداری و ارزش مالی را ببینند.
نقشه راه توسعه باید تدریجی باقی بماند. هر گسترش باید از درسهای کلاس دارایی یا سایت قبلی استفاده کند.
این رویکرد ریسک را کاهش میدهد و اعتماد سازمانی را حفظ میکند. همچنین اطمینان میدهد که برنامه رشد میکند چون کار میکند، نه به خاطر اینکه فناوری چشمگیر به نظر میرسد.
با یک مشکل ارزشمند شروع کنید و چرخه را ببندید
نگهداری پیشبینیشده زمانی مؤثرتر است که با ریسک تجهیزات به وضوح تعریف شده شروع شود. برنامه باید یک حالت خرابی قابل مشاهده و تصمیم نگهداری عملی را هدف قرار دهد.
داراییای را انتخاب کنید که هشدار زودهنگام آن ارزش قابل اندازهگیری ایجاد کند. یک پایه قابل اعتماد از تاریخچه عملیاتی و نگهداری بسازید.
مکانیزمهای خرابی فیزیکی را قبل از انتخاب حسگرها شناسایی کنید. هر اندازهگیری را با فرضیه فنی درباره تخریب مطابقت دهید.
دادهها را با دقت آماده کنید و زمینه عملیاتی را شامل کنید. روشهای تحلیلی را انتخاب کنید که با شواهد خرابی موجود سازگار باشند.
مدل را از طریق نتایج تأیید شده بازرسی و تعمیر بهبود دهید. سطوح هشدار را تعیین کنید که با اقدامات نگهداری واضح مطابقت داشته باشند.
در نهایت، موتور پیشبینی را به برنامهریزی CMMS و اجرای میدانی متصل کنید. یافتههای کامل نگهداری باید به مدل بازگردند.
سازمانها باید با یک یا دو دارایی حیاتی شروع کنند. آنها باید در برابر وسوسه پوشش کل یک مجموعه به طور فوری مقاومت کنند.
یک آزمایش متمرکز به تیم مهندسی اجازه میدهد حسگرها، تحلیلها، جریانهای کاری و ارزش مالی را بدون پیچیدگی بیش از حد اعتبارسنجی کند.
وقتی این چرخه به طور مداوم کار کند، سازمان میتواند آن را به تجهیزات مشابه و حالتهای خرابی اضافی گسترش دهد.
پیشرفتهترین برنامههای نگهداری پیشبینیشده تنها با هوش مصنوعی تعریف نمیشوند. آنها فناوری را با مهندسی قابلیت اطمینان منظم و اجرای عملی نگهداری ترکیب میکنند.
نتیجه فقط دادههای بیشتر نیست. بلکه دانش زودتر، برنامهریزی بهتر، کاهش وضعیتهای اضطراری و عملیات صنعتی قابل اعتمادتر است.
درباره نویسنده
مارکوس هیل | گزارشگر قابلیت اطمینان صنعتی و سیستمها
مارکوس هیل ۱۳ سال تجربه در زمینه پوشش ماشینآلات دوار، پایش وضعیت، سیستمهای کنترل صنعتی و دیجیتالیسازی نگهداری دارد. زمینه فنی او شامل پروژههای میدانی و یکپارچهسازی با استفاده از پلتفرمهای اتوماسیون زیمنس، سیستمهای پایش ماشینآلات بنتلی نوادا و معماریهای کنترل راکول اتوماسیون است.