Sensoren en IoT-apparaten
Sensoren vormen de ruggengraat van predictive maintenance. Ze verzamelen realtime gegevens over verschillende parameters, zoals temperatuur, trillingen, druk, vochtigheid, bedrijfstijden en afstanden. IoT-apparaten zorgen ervoor dat deze gegevens naadloos worden doorgestuurd naar centrale analysesystemen
Type sensoren:
Trillingssensoren: worden gebruikt om trillingen in motoren, pompen en andere roterende apparatuur te monitoren. Variaties in trillingspatronen duiden vaak op mechanische problemen, zoals verkeerde uitlijning of onbalans.
Thermische sensoren: meten temperatuurveranderingen in machines. Oververhitting duidt vaak op lagerstoringen of problemen met smering.
Akoestische sensoren: registreren geluidsgolven die door machines worden gegenereerd. Veranderingen in akoestische patronen kunnen wijzen op defecten zoals scheuren of lekken.
Optische sensoren: monitoren lichtpatronen en worden gebruikt om oppervlaktefouten, uitlijningsproblemen en andere visuele afwijkingen te detecteren.
Gegevensverzameling en -opslag
De enorme hoeveelheid gegevens die door sensoren wordt verzameld, moet in een gestructureerd formaat worden opgeslagen. Hiervoor worden vaak cloudopslagoplossingen gebruikt, die schaalbaarheid en gemakkelijke toegang bieden.
SSI SCHÄFER gebruikt edge-apparaten om toegang te krijgen tot de realtime gegevens op controleniveau en deze vervolgens over te brengen naar het geautomatiseerde onderhoudsbeheersysteem, het WAMAS onderhoudscentrum.
Dataverrijking:
Voorbewerking: Ruwe gegevens die door sensoren worden verzameld, worden verrijkt door middel van voorbewerkingsstappen zoals filtering, normalisatie en transformatie. Hierdoor worden de gegevens geschikter voor analyse en machine learning-modellen.
Realtime verwerking: Systemen die in staat zijn tot realtime gegevensverwerking bieden onmiddellijke inzichten, waardoor tijdige interventies mogelijk zijn.
Geavanceerde analyse en machine learning
De verzamelde gegevens worden geanalyseerd met behulp van geavanceerde algoritmen en machine learning-modellen. Deze technologieën kunnen patronen en correlaties identificeren die wijzen op mogelijke storingen aan apparatuur.
Bij SSI SCHÄFER wordt naast de individuele onderhoudsgeschiedenis, die beschikbaar is via het WAMAS Maintenance Center, ook gebruikgemaakt van wereldwijde machinegegevens. Op basis hiervan kan bijvoorbeeld afwijkend gedrag in de vorm van anomalieën worden gedetecteerd.
De rol van algoritmen:
Lineaire regressie: wordt gebruikt voor het voorspellen van numerieke waarden op basis van historische gegevens.
Beslissingsbomen: worden gebruikt voor classificatietaken en het identificeren van foutpatronen.
Neurale netwerken: effectief voor deep learning-taken, met name nuttig bij het herkennen van complexe patronen en afwijkingen.
Afwijkingsdetectie: algoritmen die specifiek zijn ontworpen om afwijkingen van normale bedrijfsparameters te identificeren en zo potentiële problemen te signaleren.
Machine learning-modellen:
Begeleid leren: hierbij wordt een model getraind op basis van gelabelde historische gegevens om toekomstige resultaten te voorspellen.
Versterkend leren: modellen verbeteren hun voorspellingen door middel van vallen en opstaan, waarbij ze leren van hun eerdere beslissingen.
Ongebegeleid leren: identificeert verborgen patronen in ongelabelde gegevens, wat nuttig is voor het opsporen van afwijkingen en clustering.
Gebruikersinterface en dashboards
De inzichten die uit de gegevensanalyse worden gegenereerd, worden weergegeven op gebruiksvriendelijke dashboards. Via deze interfaces kunnen onderhoudsteams de status van apparatuur monitoren en in realtime waarschuwingen ontvangen over mogelijke problemen.
Visualisatietools: Dashboards maken gebruik van verschillende visualisatietools, zoals grafieken, heatmaps en trendlijnen, om gegevens intuïtief weer te geven.
Realtime waarschuwingen: Dankzij onmiddellijke meldingen kan snel worden gereageerd op mogelijke problemen, waardoor downtime tot een minimum wordt beperkt.