ENGINEERINGNET.BE - Dit monitoringsysteem bestaat uit slimme algoritmes in combinatie met sensoren, en een open embedded platform. Samen biedt dit mogelijkheden voor permanente conditiebewaking.
Deze permanente monitoring laat productiebedrijven toe om de kwaliteit van hun producten te verhogen, de kosten van de productie te verlagen en tijd te winnen.
Het toepassingsgebied van het ontwikkelde monitoringsysteem is toegespitst op roterende machines en in het bijzonder lagers. Lagers zijn immers onderhoudsgevoelige componenten die cruciaal zijn voor het functioneren van een machine.
Om tot een effectieve foutdiagnose te komen, is het belangrijk inzicht te krijgen in het faalgedrag van de relevante machinecomponenten. Een groot deel van de lagerfouten ontstaan zeer lokaal en resulteren in impulsief trillingsgedrag. Andere trillingsbronnen in machines zoals tandwielen, assen en ruis maskeren typisch de effecten van lagerfouten.
Om de gewenste lagerfout-gerelateerde informatie uit het trillingssignaal te isoleren, wordt gebruik gemaakt van een slim algoritme. Dit algoritme is opgebouwd uit drie signaalverwerkingsstappen.
Trillingen veroorzaakt door tandwielen zijn vaak dominant aanwezig in het trillingssignaal van roterende machines. Deze trillingen worden in de eerste stap verwijderd. In een tweede stap wordt de ruis in het gefilterde trillingssignaal verminderd. In de laatste stap wordt het impulsieve trillingsgedrag veroorzaakt door een lagerfout versterkt.
De aanwezigheid van lagerfouten wordt vervolgens gedetecteerd met hulp van het ‘squared envelope’ frequentiespectrum. De amplitude van specifieke frequenties van de lagerfout wordt gebruikt als indicator.
Vervolgens wordt de berekende feature vergeleken met een vooraf bepaalde drempelwaarde. Een gezonde toestand wordt gemeld als de waarde kleiner is dan de drempel, terwijl een foutieve toestand wordt gemeld als de waarde groter is dan de drempelwaarde.
De gehele signaalverwerking en analyse wordt automatisch uitgevoerd in een embedded platform, zonder tussenkomst van een specialist. De benodigde informatie is beperkt tot de as-rotatiesnelheid en specificatie van het type lagers in de machine.
De hoge investeringskosten is één van de knelpunten voor de brede toepassing van conditie-gebaseerde onderhoudsstrategieën. Een aanzienlijk deel van deze kosten is toe te schrijven aan de sensoren.
Micro-mechanische systemen (MEMS) gebaseerde sensoren bieden een goedkoop alternatief voor duurdere high-end sensoren. MEMS accelerometers combineren economisch voordeel met een compact ontwerp, hoge gevoeligheid en temperatuurstabiliteit.
Om machinetrillingen te meten en te verwerken, werd een embedded platform ontwikkeld. De belangrijkste ontwerpcriteria waren de compactheid, openheid, schaalbaarheid en prijs.
De ontwikkelde oplossing bestaat uit een Beaglebone Black single board computer met een Linux besturingssysteem, aangevuld met een op maat gemaakte interface. Het systeem heeft 6 analoge ingangskanalen die aan 52 kHz bemonsterd kunnen worden. Het is programmeerbaar in open-source programmeertaal Python.
Analyses hebben aangetoond dat de goedkope sensoren en het embedded platform gelijkwaardig presteren als hoogwaardige alternatieven. De prestatie en betrouwbaarheid van het algoritme is uitvoerig getest op verschillende types van lagers en lagerfouten.
In het onderzoeksproject is gedemonstreerd dat het algoritme een kleinere fout kan detecteren (ø195 µm) dan de traditionele analysemethodes die gebruikelijk zijn in de industrie. Dit maakt het mogelijk om vroegtijdig fouten te detecteren. Bovendien is het algoritme getest op een scala aan toepassingen, van eenvoudige tot meer complexe machines, zoals bijvoorbeeld een tandwielkast.
De verdere digitalisatie (Industrie 4.0 en Cloud-connectiviteit) maakt het mogelijk om data te verzamelen over machinefouten van gelijkaardige machines. Hierdoor kan de kwaliteit en betrouwbaarheid van de onderhoudsbeslissingen en bijhorende -acties verbeterd worden, resulterend in een belangrijke vermindering van ongewenste machinestilstand.
(bron: Flanders Make)
ACHTERGROND
Dit onderzoek werd uitgevoerd in het kader van het Vibmon project door Flanders Make DecisionS corelab in samenwerking met academische partners Universiteit van Antwerpen CoSys-Lab en KU Leuven PMA. Het project is ondersteund door VLAIO.
Video:
