为工业物联网提供预测性维护优化数据源

随着组织实施工业物联网 (IIOT) 系统进行生产控制，预测性维护 (PdM) 正在成为趋势。然而，实施具有成本效益和运营效率的 PdM 计划需要考虑提供投资回报。此外，不应将 PdM 视为一种新的维护策略。

当针对关键设备时，PdM 有助于分层维护技术，提供工具来补充运行至故障、基于状态和预防性策略。考虑到将 PdM 添加到您的维护库的成本，使用适当的数据源是实现预期成本节约和生产力的关键。

主要 PdM 数据源

最有效的 PdM 程序由有限的传感器输入和在役运行数据组成。最常用的传感器用于振动，但任何传感器的有效使用都需要了解其优势和局限性。其他监测和诊断技术可以提供细致入微的理解以帮助预测。了解要使用的数据源对于优化的 PdM 程序至关重要。

振动

振动传感器有两个限制。首先是使用基于微处理器的单通道稳态数据采集器；第二个是使用传感器的有限应用。

尽管许多传感器结合了第二个用于从转速计输入的通道，但大多数基于微处理器的仪器仍捕获单通道数据。由于数据采集采用恒定的振动曲线，因此这一限制阻止了它们在变速设备或更复杂的应用中的使用。

单一状态数据收集导致无法捕获重要信息，例如负载或速度修改。此外，过滤器会移除瞬态信号或影响数据，尽管此类信号为异常和潜在故障提供了有用的线索。

除了这些限制之外，振动传感器通常仅用于旋转设备，即使它们的应用扩展到更复杂的机器。在“预测性维护简介”中，R. Mobley 举例说明了使用振动传感器通过传感器时域功能跟踪液压油缸上的瞬态。然后分析可以识别泄漏的密封件或刻痕的气缸壁。

超声波

超声波和振动分析都分析噪声，但由于在不同的频率下工作，它们是互补的。振动分析发生在 1 赫兹 (Hz) 到 30,000 Hz 之间，而超声波分析发生在 30,000 Hz 到 1 MHz 以上的噪声频率。

发现使用超声波监测轴承的公司并不少见，其中振动监测是常态。这一决定可能是由于超声波传感器的成本较低。然而，超声波不太适合这项任务，轴承或机器噪音要么低于监测的频率，要么受到来自其他来源的类似频率的影响。预测分析不会出现有意义的输入，一些专家不建议将其用于轴承。

超声波非常适合高频噪声，例如压力或真空泄漏、高环境噪声水平或通过孔口的介质的膨胀或收缩。

热成像

热成像系统监测物体发射的红外能量并捕获发射、反射和传输的能量。反射和传输的能量必须从原始数据中过滤出来才能对 PdM 有用。

有几种热成像选项，但对 PdM 有用的两个是点辐射计和红外成像。点辐射计监测机器上的单个点，例如齿轮箱轴承。当与其他监测技术（如振动或摩擦学）一起使用时，它可以关联趋势。

红外成像用于更复杂的设备以扫描整个机器。该技术依赖于历史图像的存储和调用，以供训练有素且称职的分析师进行解释。需要更多的定性技能而不是定量技能，训练有素的分析师必须补偿每次扫描时改变图像的变量。

正确应用，热成像可以提醒电子、电气和机械设备问题，包括传递或保留热量的过程趋势。

摩擦学

摩擦学是摩擦、润滑和磨损的研究和应用。复杂而全面的科学、磨损颗粒分析和润滑油分析对于 PdM 程序很有用。

这两种技术都从在役设备的润滑油样本开始，通过磨损颗粒分析提供有关机器当前磨损状态的信息。磨损颗粒使用光谱分析和铁谱分析进行分析，并随着时间的推移进行跟踪，以了解磨损率并隔离可能的故障模式。 

相比之下，润滑油分析确定油是否适合继续使用，预测合适的更换间隔。在全厂范围内测量时，过早换油的成本是相当可观的。相反，当润滑油的润滑性能下降时保持润滑油不变会加速设备磨损并浪费能源。该分析还可以确定更适合该应用的润滑剂。

至于局限性，摩擦学需要使用第三方实验室，这会增加对每个油样进行分析的持续成本。此外，抽样制度可能会威胁到测试提供的价值。过滤后或从油藏中取样可能无法表明油的真实状况，颗粒被过滤或沉淀出来，而取样卫生不佳可能会导致数据受到污染。

管理限制和摩擦学是一种出色的状态监测和预防性维护技术。来自此类分析的数据有助于运营决策，并且当与其他 PdM 监控叠加时，可以全面了解机器健康状况和可能的故障模式的趋势。

要避免的数据源

选择 PdM 传感器和数据源的挑战在于可用选择的数量，使数据相关性成为您的首要考虑因素。我们已经谈到不使用超声波进行轴承监测，因为它不提供可操作的数据。这不相关。同样，用于温度监测的热成像线扫描仪对 PdM 的用处不如点或成像系统。

然而，相关性也适用于数据源及其结构。如果您在生产连续性之后监控旋转机械，则维护成本会膨胀，而没有切实的投资回报。在工厂级别使用故障模式影响和关键性分析 ( FMECA )，然后针对每个已识别的关键设备，识别和排列对安全或生产至关重要的系统和子系统。通过确定对监控至关重要的区域，您可以快速缩小相关数据源和适当传感器的选择范围。

结论

在基本设备上实施 PdM 有望提高可靠性并降低维护成本。但是，它并不能取代传统的基于时间或基于状态的维护任务；它只是增加了额外的分析和预测层。了解您的关键设备故障模式以及最合适的传感器和数据源对于实现预期回报至关重要。