česky english Vítejte, dnes je pátek 29. březen 2024

Jak se může stát předvídatelná údržba úspěšnou

DPS 2/2019 | Články
Autor: Stephan Menze, Rutronik
1.jpg

Když se údržba opozdí, může to způsobit selhání zařízení nebo špatnou výrobu. Je jedno, jestli zpoždění bylo způsobené úsporou nákladů, nedostatkem kvalifikovaných pracovníků nebo ztrátou motivace. Díky předvídatelné údržbě se to už nemůže stát, ale i tak je potřeba dohlédnout na pár věcí, aby byla úspěšná. Netřeba zdůrazňovat, že elektronika hraje v předvídatelné údržbě tu nejdůležitější úlohu.

Co to je předvídatelná údržba?

Na rozdíl od preventivní údržby (preventive maintenance), není předvídatelná údržba (predictive maintenance) založena na fixních cyklech údržby, ale na okamžité potřebě, která vychází z průběžně naměřených dat a jejich vyhodnocení. Naměřená data indikují problémy během provozu zařízení dlouho dopředu před jeho poškozením či selháním.

Každý projekt předvídatelné údržby začíná se zjišťováním charakteristik strojů a zařízení během normálního provozu. Jedná se většinou o zvukové projevy, chvění či přirozené rezonance, které jsou potom digitalizovány a převedeny do počítače či cloudu. Při zpracování dat na cloudu je možné využít celé řady různých dostupných řešení zaměřených na analýzu dat. Pokud se data zpracovávají lokálně, mluvíme o tak zvaném „edge computing“, kdy lze použít řešení využívající umělé intelligence (AI), jakým je například Intel Movidius. Lokální zpracování dat sice reaguje na odezvu v rozsahu několika milisekund, ale pro aktualizaci firmwaru a vzdálené monitorování je nutné internetové připojení. Umělá inteligence zde není využita pro učení a zlepšení procesu a je omezena lokálním výpočetním výkonem a na vlastní historii zkušeností s provozem. Na druhé straně použití cloudu umožňuje porovnání se všemi systémy, které se v dané oblasti používají, a může vyvozovat závěry ze změn v jednotlivých systémech a jejich dopady na další systémy. Navíc zde není omezení ve výpočetním výkonu nebo kapacity paměti a je možné přejít z jednoho algoritmu do jiného podle potřeby – například ze statistických analýz dat k strojovému nebo hloubkovému učení.

I když jsou obě řešení velmi rozdílná, v reálném světě se vždy uplatní lokální řešení pro počáteční analýzy dat ze senzorů s internetovým připojením.

Umístění senzoru má vždy rozhodující význam

Ať už jsou data analyzována lokálně, nebo na cloudu, vždy je důležité si vyjasnit, kde v daném zařízení či systému může dojít k problému a kde a jak ho nejlépe detekovat. Je možné v takovém místě instalovat senzor? Je dané místo přístupné a dostatečně prostorné? Není dané místo ovlivněno vlivy okolí? Jsou získaná data v čase konstantní, nebo se objevují jenom nepravidelně? Takové a další otázky je potřeba zodpovědět.

Jakmile je vhodné místo pro sensor identifikováno, je tím určen i druh snímače. Pokud se má senzor uchytit k povrchu zařízení, jedná se většinou o snímání šumu struktury zařízení. K tomu se hodí například snímače vibrací, rázu nebo zrychlení. Když je sensor umístěn mimo povrch, detekuje se šum ve vzduchu. Zde najdou uplatnění například MEMS mikrofony se specifickým frekvenčním rozsahem, které vyrábí například STMicroelectronics a Infineon. Protože mají otvor, kterým pohlcují zvukové vlny a současně snižují tlak zvuku, nejsou vhodné bez potřebných úprav pro vlhké a prašné prostředí. V takovém případě lze i zde použít rázové a vibrační snímače.

Na otázku, jaký frekvenční rozsah by měl pokrýt systém pro předvídatelnou údržbu, lze použít nepsané pravidlo: s vyšším kmitočtem lze zjistit problém dříve. V ultrazvukovém rozsahu nad 16 kHz je možné vystopovat počáteční známky potřeby údržby i měsíce dopředu před skutečným selháním či poškozením zařízení. Při použití slyšitelného rozsahu do 16 kHz to mohou být pouze týdny před poškozením stroje. Taková doba může stačit pro některé stroje, ale pro jiné ne. Jak může být poškození stroje vážné? Jak dlouho to trvá získat náhradní díly a servisního technika? Je možné zastavit stroj v jakoukoliv chvíli, aby mohla proběhnout potřebná oprava nebo údržba? Detekce v ultrazvukovém pásmu je například doporučené řešení pro zjištění úniku v plynovém potrubí, ale pokud k němu dojde, je už na předvídatelnou údržbu pozdě.

Když detekce v slyšitelném rozsahu stačí, typ stroje nebo zařízení určuje kmitočtový rozsah potřebného snímače. Čím rychleji se daná část stroje otáčí, tím se musí snímat vyšší kmitočet. U částí strojů, které se pohybují velmi pomalu, dává zase lepší výsledek senzor zrychlení než mikrofon jako snímač.

Senzory zrychlení, rázu, vibrací a mikrofony mohou být kombinovány, aby se zachytil vyšší počet příznaků o možném problému se strojem či zařízením. Ještě více informací zajistí použití dalších typů senzorů, jako jsou snímače teploty, vlhkosti či tlaku. Tento typ kombinací nabízí nejvíce výhod, když jsou senzory vzájemně propojené. Takové uspořádání ovšem nejenom zvyšuje náklady na pořízení senzorů a jejich propojení, ale také zvyšuje objem dat a nároky na jejich zpracování. Z tohoto důvodu je vhodné přistoupit ke kombinaci několika senzorů pouze, pokud škoda způsobená špatnou funkcí stroje či zařízení dosahuje odpovídající výše. Kombinace senzorů je ovšem vždy vhodná, pokud je sledovaný systém vzdálen, protože zbytečná návštěva daného místa servisním technikem může stát více než snímače. Komplexní snímání provozních parametrů je také doporučeno u systémů, které jsou z bezpečnostního pohledu kritické, například brzdicí systémy vozidel.

Nové bezdrátové techniky pro přenos dat

V závislosti na aplikaci musí jednotlivé senzory nejdříve přenést naměřená data do lokálního místa pro jejich shromažďování. Mikrokontroléry s integrovanými A/D konvertory a možností připojení rádia, tak zvané SoC, jsou pro účel přenosu dat od snímačů ideální. Potřebné „radio stacks” jsou s nimi již často zdarma dodávány a přizpůsobeny danému mikrokontroléru, takže jediné, co zbývá udělat, je implementovat aplikaci (digitalizaci analogových hodnot a přenos dat) s pomocí několika řádek kódu. Přenesená data mohou být vyhodnocena lokálně, stejně jako aktualizace softwaru či občasné hlášení. V takovém případě by LTE bylo zajištěno více než dostatečně rychlým internetovým připojením, které by mělo infrastrukturu zabezpečenou na delší dobu dopředu. V případě analýz časově kritických dat na cloudu, kde je vyžadována odezva v několika milisekundách, by se jednalo o připojení 5G. Připojení senzorů do místa shromažďování dat nelze vždy provést pomocí kabelů. Rádiové připojení je obvykle levnější, přizpůsobivé a trvanlivější. Při použití RF52840 od Nordic Semiconductor lze jednoduše volit mezi Bluetooth mesh, ZigBee nebo Gazell. Nekomplikované připojení senzorů umožňuje také NFC. Na začátku mohou být senzory kalibrovány s pomocí přenosného počítače přes USB port. Uživatelé, kteří vědí od začátku, že budou provozovat pouze Bluetooth 5 nebo Bluetooth mesh, mohou použít levnější variantu součástky, například nRF52810. Nejnovější Bluetooth 5 umožňují připojení i přes vzdálenost 1 km v módu dalekého dosahu. To činí tuto techniku zajímavou i v případech, kdy dříve bylo nezbytné použít připojení v subGHz pásmu.

Nové kategorie LTE jsou vhodné pro senzory, které nepoužívají sběrače dat (data collectors) nebo je používají pouze pro přenos malých objemů dat přes internet díky velké kompresi dat při lokálním zpracování. Tak je možné zajistit přímé spojení senzoru přes internet na cloud a převést naměřené hodnoty do cloudu bez separátní gateway.

Nové kategorie LTE

Nejnovější kategorie LTE – NB1 a MT1, rovněž známé jako NB-IoT a LTE M1 nebo LTE-M, jsou ideální pro aplikace jako předvídatelná údržba, kde je potřeba přemístit malé množství dat z izolovaných míst.

Obě kategorie LTE-M a NB-IoT jsou podporované řadou součástek nRF91 od Nordic Semiconductor. Vysoce integrovaný SiP (system in package) má mikrokontrolér ARM Cortex M33 pro zákaznické programování aplikací, senzorů a akčních členů. Jeho výpočetní výkon umožňuje, aby aplikace měla více komplexních algoritmů pro analýzy dat. Prakticky to znamená, že bezdrátový modul generuje na místě informace z naměřených dat dodaných senzory, takže je potřeba posílat mnohem menší objem dat. To umožňuje optimalizovat využití energie a udržet spotřebu online dat na nízké úrovni. Navíc kromě senzorů je možné přes 32 GPIO připojit LED signálky, například k upozornění, že senzor detekuje příliš vysoké hodnoty. Je rovněž možné připojit tlačítka nebo spínací relé, které může například v případě nutnosti odpojit celý systém.

Součástka nRF91 SiP je navíc dostupná s integrovanou GPS. Použitím NB-IoT nebo LTE-M je tak možné rychle určit polohu senzorů použitých v mobilních zařízeních.

Ochrana proti zcizení dat

Protože hodnoty naměřené senzory mohou představovat hodnotné informace o využití strojů, systémů a zařízení, měly by být chráněny proti přístupu nepovolaných osob. V takovém případě zahrnuje nRF91 také určité řešení. Host procesor s TrustZone používá ověřené a zajištěné prostředí v CPU i v systému, což přispívá k ochraně dat aplikace, firmwaru a připojených periferií. ARM CryptoCell zajišťuje bezpečný přístup k paměti, zatímco TLS a SSL provádí end-to-end kódování přenášených dat. Součástka nRF91 je také perfektně vhodná pro interakci s nRF52, jak to je implementováno na vývojovém kitu nRF91. Rádiová síť na krátké vzdálenosti pro připojení senzorů a mobilní síť pro připojení k internetu jsou dostupné s tímto vícejádrovým řešením s dvěma čipy. Pokud si vyberete nRF52840 z řady nRF52, potom také máte techniku ARM TrustZone a CryptoCell.

Faktor úspěchu – analýza dat

Jakmile jsou data od senzorů přenesena, stává se nejobtížnější úlohou jejich analýza. Co to znamená, když se změní otáčky ložiska? Je to začátek selhání stroje, změnil se výrobní proces nebo se stroj z nějakého důvodu prostě zastavil? Jaké odchylky jsou pořád ještě přijatelné? A poslední otázka: jaká je pravděpodobnost poškození stroje nebo kdy se stane zásah nevyhnutelný?

Odpovědi na otázky představují určité profily, které jsou uloženy v softwaru s odpovídajícími parametry a mezními hodnotami. Po prvním praktickém testu se může stát nezbytné provést jejich úpravy. Systém předvídatelné údržby také potřebuje úpravy pro případ různých změn, například výroby, strojů a podobně. Teprve potom bude proces sledování potřeby údržby na správné cestě k úspěchu. Už nikdy nenastane neočekávané zastavení stroje nebo porucha zaviněná stárnutím strojového parku. Náklady na údržbu mohou být lépe plánované dopředu a ve skladu budou pouze předvídatelné náhradní díly. Výhody předvídatelné údržby by měly zajímat i výrobce strojů a zařízení. Pokud by integrovali koncepci předvídatelné údržby do svých výrobků, mohli by zákazníkům nabízet přidanou hodnotu, přičemž by navíc mohli využít zkušeností z praktického nasazení pro vylepšení svého výrobku.