چگونه دادههای ارتعاش با فرکانس بالا در حال تغییر نظارت بر داراییهای صنعتی هستند
سیستمهای پایش ارتعاش با فرکانس بالا حجم بیسابقهای از دادههای صنعتی تولید میکنند. این مقاله بررسی میکند که چگونه تولیدکنندگان بین ذخیرهسازی سیگنالهای خام، معیارهای پیشپردازش شده و معماریها...
انفجار دادهها در پسزمینه پایش ماشینآلات مدرن
تأسیسات صنعتی اکنون دادههای لرزش بیشتری نسبت به گذشته جمعآوری میکنند. با گسترش برنامههای نگهداری پیشبینی در حوزههای تولید برق، نفت و گاز، تولید و صنایع فرآیندی، حسگرهای با فرکانس بالا بهطور مداوم حجم عظیمی از اطلاعات تشخیصی را از تجهیزات دوار تولید میکنند.
آنچه زمانی شامل بازرسیهای دورهای دستی بود، اکنون به پایش وضعیت در زمان واقعی تبدیل شده است که توسط محاسبات لبه، تحلیلهای هوشمند و جمعآوری مداوم حسگرها پشتیبانی میشود. چالش دیگر صرفاً اندازهگیری لرزش نیست، بلکه ذخیرهسازی، مدیریت و بازیابی حجم عظیمی از دادهها بهسرعت کافی برای پشتیبانی از تشخیص دقیق است.
برای مهندسان اطمینانپذیری، ذخیرهسازی ناکارآمد دادهها میتواند به اندازه از دست دادن یک نقص مکانیکی خطرناک باشد. اگر تاریخچه موجهای حیاتی از بین برود یا بازیابی آن بسیار کند شود، نگهداری پیشبینی ارزش عملیاتی خود را تا حد زیادی از دست میدهد.
زیرساخت ذخیرهسازی داده قابل اعتماد به یک نیاز اساسی برای سیستمهای نگهداری پیشبینی مدرن تبدیل شده است.
چرا دادههای خام لرزش هنوز اهمیت دارند
بسیاری از اپراتورهای صنعتی تلاش میکنند هزینههای ذخیرهسازی را با ذخیره فقط معیارهای خلاصه شده کاهش دهند. در حالی که این رویکرد نیازهای زیرساختی را کاهش میدهد، میتواند جزئیات تشخیصی ارزشمندی را که در تحقیقات نقص حیاتی میشود، حذف کند.
موجهای خام لرزش ساختار کامل سیگنال ثبت شده توسط شتابسنجها، پروبهای مجاورت و حسگرهای سرعت را حفظ میکنند. این امکان را به تحلیلگران میدهد تا بعداً با استفاده از الگوریتمهای بهبود یافته یا روشهای تشخیصی پیشرفته که ممکن است هنگام جمعآوری داده وجود نداشته باشند، دادههای تاریخی را بازبینی کنند.
در پایش توربین و کاربردهای ماشینآلات دوار با ارزش بالا، حفظ آرشیو سیگنال خام اهمیت ویژهای دارد. تأسیساتی که از سیستمهایی مانند پلتفرمهای حفاظت ماشینآلات بنتلی نوادا ۳۵۰۰ استفاده میکنند، اغلب به نگهداری بلندمدت موجها برای شناسایی الگوهای تخریب ظریف پیش از وقوع خرابی فاجعهبار وابستهاند.
تحلیلهای پیشرفته به دسترسی کامل به سیگنال نیاز دارند
دادههای خام از طیف گستردهای از تکنیکهای تحلیل لرزش پشتیبانی میکنند که معیارهای پیشپردازش شده به تنهایی نمیتوانند به طور کامل بازتولید کنند. مهندسان از این موجها برای تحلیل تبدیل فوریه سریع (FFT)، تشخیص پوشش، مطالعات مدال، تحلیل رویدادهای گذرا و تشخیص نقص بلبرینگ استفاده میکنند.
تحلیل FFT بهویژه مهم است زیرا ترکیب فرکانسی رفتار تجهیزات دوار را آشکار میکند. ناهماهنگی، عدم تعادل، شل بودن، مشکلات چرخدنده و نقص بلبرینگ هر کدام امضاهای فرکانسی خاصی تولید میکنند که تنها از دادههای موج با وضوح بالا میتوان به دقت ارزیابی کرد.
سیستمهای پایش مداوم ماشینآلات اکنون حجم دادههایی تولید میکنند که معماریهای ذخیرهسازی سنتی را به چالش میکشند.
چرا پیشپردازش نمیتواند نادیده گرفته شود
اگرچه دادههای خام ارزشمند هستند، ذخیرهسازی بیپایان هر موج نیازمند زیرساختهای عظیمی است. نرخ نمونهبرداری با فرکانس بالا میتواند به سرعت سیستمهای ذخیرهسازی سنتی را تحت فشار قرار دهد، بهویژه زمانی که صدها یا هزاران حسگر به طور همزمان در تأسیسات بزرگ فعالیت میکنند.
پیشپردازش این بار را با تبدیل موجهای خام به شاخصهای تشخیصی کوچکتر کاهش میدهد. به جای ذخیره هر نقطه نمونه، سیستمها معیارهای کلیدی سلامت را محاسبه میکنند که وضعیت ماشین را به طور کارآمد خلاصه میکند.
این استراتژی به طور چشمگیری نیاز به ذخیرهسازی را کاهش میدهد و در عین حال دید عملیاتی برای تیمهای نگهداری را حفظ میکند.
معیارهایی که اپراتورها به دقت دنبال میکنند
چندین مقدار پیشپردازش شده در پایش لرزش صنعتی غالب هستند زیرا تشخیص نقص را ساده میکنند و در عین حال از نظر محاسباتی بهینهاند.
مقادیر RMS بینشی درباره انرژی کلی لرزش و روند سلامت ماشین ارائه میدهند. اندازهگیریهای پیک تا پیک تغییرات دامنه سیگنال را نشان میدهند که ممکن است نشانه شل بودن یا رویدادهای ضربهای باشد. محاسبه فاکتور کریست به شناسایی نقصهای ضربهای که اغلب با آسیب اولیه بلبرینگ مرتبط است کمک میکند.
این معیارها به اپراتورها اجازه میدهند تا ناوگان بزرگی از داراییها را به طور مداوم پایش کنند بدون اینکه تحلیل کامل موج را برای هر ماشین در زمان واقعی انجام دهند.
پایگاههای داده سنتی به محدودیتهای خود رسیدهاند
پایگاههای داده سری زمانی سنتی در اصل برای مقادیر فرآیندی اسکالر مانند دما، فشار و اندازهگیری جریان طراحی شده بودند. سیگنالهای لرزش با فرکانس بالا چالشهای بنیادی متفاوتی ایجاد میکنند زیرا جریانهای داده بسیار متراکم با فواصل نمونهبرداری سریع تولید میکنند.
با گسترش پایش لرزش به محیطهای لبه و معماریهای IIoT، عملکرد خواندن و نوشتن به طور فزایندهای به گلوگاه تبدیل میشود. سیستمهایی که جمعآوری مداوم موج را مدیریت میکنند باید دسترسی با تأخیر کم را پشتیبانی کنند و در عین حال قابلیت اطمینان بلندمدت را حفظ نمایند.
تأسیساتی که پلتفرمهای پایش در مقیاس بزرگ را در کنار سیستمهای پایش امرسون CSI 6500 یا معماریهای PLC توزیع شده ادغام میکنند، اکنون مدلهای ذخیرهسازی جایگزین را ارزیابی میکنند که قادر به مدیریت دادههای موج باینری به شکل بهینهتر هستند.
ذخیرهسازی مبتنی بر شیء توجه بیشتری جلب میکند
پایگاههای داده ذخیرهسازی شیء سری زمانی به عنوان راهحلی مقیاسپذیرتر برای محیطهای حسگر با فرکانس بالا ظهور کردهاند. به جای ذخیره فقط نقاط اسکالر، این سیستمها قطعات موج را به عنوان اشیاء باینری همراه با زمانسنجها و فرادادهها مدیریت میکنند.
این معماری مقیاسپذیری را بهبود میبخشد و در عین حال اطلاعات زمینهای مانند موقعیت حسگر، وضعیت عملکرد ماشین، شرایط فرآیند و رویدادهای هشدار را حفظ میکند. فراداده اضافی در تحقیقات علت ریشهای و مطالعات اطمینان بلندمدت بسیار ارزشمند است.
ذخیرهسازی سری زمانی مبتنی بر شیء امکان نگهداری مقیاسپذیر موجهای پیچیده لرزش و فرادادههای مرتبط را فراهم میکند.
سیاستهای نگهداری به یک رشته مهندسی تبدیل شدهاند
محیطهای محاسبات لبه چالشهای ذخیرهسازی اضافی ایجاد میکنند زیرا سیستمهای محلی ظرفیت دیسک محدودی دارند. بدون سیاستهای نگهداری هوشمند، آرشیوهای موج با فرکانس بالا میتوانند به سرعت منابع ذخیرهسازی را مصرف کرده و پایداری سیستم را به خطر بیندازند.
استراتژیهای نگهداری مبتنی بر حجم در استقرارهای صنعتی به طور فزایندهای رایج شدهاند. رویکردهای FIFO به طور خودکار دادههای موج قدیمیتر را هنگام رسیدن به آستانههای ذخیرهسازی حذف میکنند و عملیات مداوم بدون دخالت دستی را تضمین مینمایند.
با این حال، سیاستهای نگهداری هوشمند باید تعادل بین کارایی ذخیرهسازی و ارزش تشخیصی را حفظ کنند. حذف بیش از حد تاریخچه موجهای حیاتی میتواند شواهد لازم برای بررسی خرابیهای آینده را از بین ببرد.
تکثیر انتخابی فشار زیرساخت را کاهش میدهد
به جای تکثیر برابر همه دادههای حسگر، بسیاری از اپراتورها اکنون بر اساس شدت رویداد یا اهمیت تشخیصی اولویتبندی میکنند. سیستمها ممکن است به طور خودکار بخشهای موج مرتبط با روندهای غیرعادی RMS، فاکتورهای کریست بالا یا شرایط هشدار را نگهداری و همگامسازی کنند.
این استراتژی تکثیر انتخابی به تأسیسات اجازه میدهد تا سوابق دقیقی از رویدادهای معنادار حفظ کنند و در عین حال مصرف پهنای باند و ذخیرهسازی در شبکههای سازمانی را کاهش دهند.
در عمل، این رویکرد هم پاسخگویی لبه و هم تحلیل تاریخی متمرکز را بدون فشار بیش از حد بر منابع زیرساختی پشتیبانی میکند.
آینده نگهداری پیشبینی به معماری داده بستگی دارد
سازمانهای صنعتی اغلب تمرکز زیادی بر سختافزار حسگر دارند و اهمیت زیرساخت داده را دست کم میگیرند. با این حال، اثربخشی نگهداری پیشبینی به طور فزایندهای به این بستگی دارد که دادههای لرزش چگونه به طور کارآمد ذخیره، دسترسی و تحلیل شوند.
گرایش به حسگری با فرکانس بالا، تشخیصهای کمکی هوش مصنوعی و پایش مداوم داراییها شرکتها را مجبور میکند تا معماری ذخیرهسازی را در هر سطح از پشته اتوماسیون بازنگری کنند.
سازمانهایی که بتوانند نگهداری موجهای خام، پیشپردازش هوشمند، ذخیرهسازی شیء مقیاسپذیر و سیاستهای تکثیر تطبیقی را به طور موفقیتآمیز ترکیب کنند، در اطمینانپذیری ماشینآلات و کارایی نگهداری مزیت قابل توجهی کسب خواهند کرد.
با افزایش حجم داده در سیستمهای صنعتی، پایش لرزش از یک مسئله حسگر به چالشی کامل در مهندسی داده تبدیل میشود.
مایکل ریوز | تحلیلگر ارشد سیستمهای صنعتی
مایکل ریوز بیش از ۱۶ سال تجربه در زمینه پایش وضعیت صنعتی، تشخیص تجهیزات دوار و فناوریهای نگهداری پیشبینی دارد. سابقه او شامل پروژههای حفاظت ماشینآلات با بنتلی نوادا، امرسون اوویشن، سیستمهای فرآیندی هانیول و زیرساخت پایش توربین GE در حوزه تولید برق و صنایع فرآیندی سنگین است.