Sensorer och IoT-enheter
Sensorer utgör grunden för prediktivt underhåll. De samlar in realtidsdata om olika parametrar såsom temperatur, vibration, tryck, luftfuktighet, driftstider och avstånd. IoT-enheter möjliggör en smidig överföring av denna data till centrala system för analys.
Typer av sensorer:
Vibrationssensorer: Används för att övervaka vibrationer i motorer, pumpar och annan roterande utrustning. Variationer i vibrationsmönster indikerar ofta mekaniska problem som feljustering eller obalans.
Termiska sensorer: Mäter temperaturförändringar i maskiner. Överhettning indikerar ofta fel eller problem med smörjning.
Akustiska sensorer: Fångar upp ljudvågor som genereras av maskiner. Förändringar i akustiska mönster kan indikera fel som sprickor eller läckage.
Optiska sensorer: Övervakar ljusmönster och används för att upptäcka ytfel, justeringsproblem och andra visuella avvikelser.
Datainsamling och lagring
Den stora mängden data som samlas in av sensorer behöver lagras i ett strukturerat format. Molnlagringslösningar används ofta för detta ändamål, då de erbjuder skalbarhet och enkel åtkomst.
SSI SCHÄFER använder edge-enheter för att hämta realtidsdata på styrnivå och sedan överföra den till det datoriserade underhållshanteringssystemet, WAMAS Maintenance Center.
Berikning av data:
Förbehandling: Rådata som samlas in från sensorer förädlas genom förbehandlingssteg som filtrering, normalisering och transformation. Detta gör data mer användbar för analyser och maskininlärningsmodeller.
Realtidsbearbetning: System som kan bearbeta data i realtid ger omedelbara insikter och möjliggör snabba åtgärder vid behov.
Avancerad Analys och Maskininlärning
Insamlad data analyseras med hjälp av avancerade algoritmer och modeller för maskininlärning. Dessa teknologier kan identifiera mönster och samband som tyder på potentiella maskinfel.
Hos SSI SCHÄFER används, utöver den individuella underhållshistoriken som finns tillgänglig via WAMAS Maintenance Center, även global maskindata. På denna grund kan exempelvis avvikande beteenden i form av anomalier upptäckas.
Algoritmers roll:
Linjär regression (Linear Regression): Används för att förutsäga numeriska värden baserat på historisk data.
Beslutsträd (Decision Trees): Används för klassificeringsuppgifter och för att identifiera felmönster.
Neurala nätverk (Neural Networks): Effektiva för djupinlärningsuppgifter, särskilt användbara för att känna igen komplexa mönster och avvikelser.
Avvikelseidentifiering (Anomaly Detection): Algoritmer som är specifikt utformade för att upptäcka avvikelser från "normala" driftparametrar som kan indikera potentiella problem.
Maskininlärningsmodeller:
Övervakad inlärning (Supervised Learning): Innebär att träna en modell på märkt historisk data för att förutsäga framtida resultat.
Förstärkningsinlärning (Reinforcement Learning): Modeller förbättrar sina förutsägelser genom trial and error och lär sig av sina tidigare beslut.
Oövervakad inlärning (Unsupervised Learning): Identifierar dolda mönster i omärkt data och användbart för avvikelseidentifiering.
Användargränssnitt & Dashboards
De insikter som genereras från dataanalys presenteras på användarvänliga dashboards. Dessa gränssnitt gör det möjligt för underhållsteam att övervaka utrustningens hälsa och ta emot realtidsvarningar om potentiella problem.
Visualiseringsverktyg: Dashboards använder olika visualiseringsverktyg som diagram, värmekartor och trendlinjer för att presentera data på ett intuitivt sätt.
Realtidsvarningar: Omedelbara meddelanden möjliggör snabba åtgärder vid potentiella problem, vilket minimerar driftstopp.
