Cum să monitorizezi vibrațiile mașinilor fără a construi întregul sistem de automatizare?

Oprirea neplanificată este una dintre cele mai mari provocări ale industriei moderne. Indiferent dacă vorbim despre o linie de asamblare mică, un sistem de transport sau o fabrică mare, defectarea unui singur element poate opri întregul proces tehnologic. În multe cazuri, costul reparației în sine este mult mai mic comparativ cu costurile opririi, întârzierile în realizarea comenzilor sau necesitatea repornirii producției.

Problema este că defectele apar rar brusc. Rulmenții nu se uzează peste noapte, rotoarele nu își pierd echilibrul instantaneu, iar angrenajele transmit pe o perioadă lungă de timp semnale subtile care indică starea tehnică în deteriorare. Întrebarea nu este așadar dacă va apărea o defecțiune, ci dacă suntem capabili să observăm primele ei simptome la timp.

De aceea, soluțiile din domeniul Condition Monitoring, adică monitorizarea continuă a stării mașinilor, capătă o importanță tot mai mare. Rolul lor nu este să controleze procesul de producție, ci să observe parametrii de funcționare ai echipamentelor și să detecteze modificările care pot indica o defecțiune în dezvoltare.

Acum câțiva ani astfel de sisteme erau asociate în special cu investiții mari. Controlerele PLC extinse, modulele de intrări analogice, software-ul SCADA, serverele de arhivare a datelor și aplicațiile de diagnostic specializate făceau ca implementarea monitorizării să fie justificată mai ales în marile fabrici.

În prezent situația este cu totul alta.

Dezvoltarea senzorilor miniaturali, a microcontrolerelor mai eficiente și a modelelor de inteligență artificială rulate direct pe dispozitiv a făcut posibilă începerea mult mai rapidă și la costuri considerabil mai mici a numeroaselor proiecte de Condition Monitoring. Tot mai des primul pas nu este construirea unui sistem complet de automatizare, ci crearea unui mic stand de testare pentru a verifica dacă metoda de diagnostic aleasă oferă cu adevărat rezultatele așteptate.

Este necesar întotdeauna un PLC pentru monitorizarea stării mașinilor?

Totuși, asta nu înseamnă că fiecare sarcină legată de monitorizarea stării mașinii necesită implementarea unui sistem PLC complet.

Să ne imaginăm situația în care dorim să:

• verificăm dacă analiza vibrațiilor poate detecta uzura rulmenților,
• pregătim un demonstrator pentru client,
• construim un proiect de tip Proof of Concept,
• colectăm date pentru antrenarea unui model de învățare automată,
• monitorizăm un singur motor, pompă sau ventilator.

În aceste cazuri un controler PLC clasic poate fi mult mai complex decât necesită aplicația însăși. Pe lângă costurile echipamentului trebuie luați în considerare configurarea controlerului, pregătirea programului, integrarea cu restul instalației și mentenanța ulterioară.

Alternativa este un nod de măsurare inteligent responsabil cu colectarea datelor din senzori, analiza acestora și transmiterea doar a rezultatelor către sistemul superior. Astfel, se poate începe mult mai repede proiectul, menținând în același timp posibilitatea extinderii ulterioare.

Această abordare se încadrează perfect în dezvoltarea soluțiilor ce utilizează prelucrarea locală a datelor și modele de inteligență artificială care funcționează direct pe dispozitiv. În literatură și documentația producătorilor acestea sunt adesea denumite Edge AI.

De ce tocmai vibrațiile?

Starea tehnică a mașinii poate fi evaluată pe baza multor parametri. În funcție de tipul dispozitivului se monitorizează, printre altele, temperatura, consumul de curent, presiunea, viteza de rotație sau nivelul zgomotului. Toți oferă informații valoroase, însă chiar analiza vibrațiilor este considerată de mulți ani una dintre cele mai eficiente metode de diagnostic utilizate în mentenanță.

Acest lucru nu este o coincidență.

Majoritatea defectelor componentelor rotative influențează caracteristica vibrațiilor generate chiar înainte ca defecțiunea să fie observabilă de operator. Rulmentul uzat, rotorul neechilibrat, nealinierea arborilor sau jocurile mecanice provoacă modificări în semnal care pot fi înregistrate și analizate cu mult înainte de producerea unei defectări serioase.

Detectarea timpurie a unei anomalii oferă posibilitatea planificării inspecției sau înlocuirii componentei în timpul opririi programate. Practic înseamnă reducerea riscului de opriri neplanificate și adesea scăderea semnificativă a costurilor mentenanței.

Ce se poate detecta prin analiza vibrațiilor?

Deși semnalul provenit de la accelerometru poate părea doar un set aleatoriu de valori, acesta conține multe informații despre starea echipamentului. O analiză adecvată poate indica cu mare probabilitate tipul problemei în dezvoltare.

Desigur, analiza vibrațiilor singură nu oferă o imagine completă a stării mașinii. De aceea sistemele moderne de diagnostic combină tot mai des informații provenite din mai multe surse diferite.

Se monitorizează de obicei simultan:

• vibrațiile,
• temperatura,
• consumul de curent al motorului,
• viteza de rotație,
• timpul de funcționare al echipamentului.

Abia combinarea acestor parametri reduce numărul de alarme false și permite o evaluare mai exactă a stării reale a mașinii.

De la semnalul brut la informație

Procesul include de obicei câteva etape:

1. Preluarea datelor de la senzor – de obicei un accelerometru MEMS care măsoară accelerațiile pe una sau mai multe axe.
2. Pregătirea preliminară a semnalului – eliminarea interferențelor, filtrarea și împărțirea datelor în fragmente scurte pentru analiza ulterioară.
3. Extracția caracteristicilor – cum ar fi valorile RMS, amplitudinea vibrațiilor, coeficientul de vârf sau analiza frecvențială folosind transformata rapidă Fourier (FFT).
4. Evaluarea stării echipamentului – pe baza pragurilor de alarmă definite anterior sau a unui model de învățare automată.
5. Transmiterea informației către utilizator – sub forma unei alarme, mesaje sau date trimise către sistemul superior.

Acum câțiva ani majoritatea acestor operațiuni erau realizate pe un calculator industrial sau server. Dezvoltarea microcontrolerelor performante permite acum efectuarea unei părți tot mai mari a calculelor direct pe dispozitivul de colectare a datelor.

Ce rol are inteligența artificială?

Sistemele clasice de Condition Monitoring se bazează de obicei pe praguri de alarmă predefinite. Dacă amplitudinea vibrațiilor depășește o anumită valoare, sistemul semnalează o problemă potențială.

Această abordare este eficientă, dar prezintă și limitări. Multe mașini lucrează în condiții variabile de încărcare, iar pragurile fixe pot genera alarme false sau, dimpotrivă, pot să nu detecteze o defectare în dezvoltare.

Tot mai des se folosesc modele de învățare automată care analizează modelul complet de funcționare al echipamentului în loc de valori izolate.

Modelul învață cum arată funcționarea corectă a mașinii și apoi compară cu ea probele succesive de date. Dacă detectează o abatere importantă de la modelul învățat, poate să o considere o anomalie potențială ce necesită diagnostic aprofundat.

Această soluție nu înlocuiește cunoștințele inginerului de mentenanță, însă facilitează foarte mult detectarea unor modificări subtile greu de observat prin analiza manuală a unor seturi mari de date.

Analiză locală în locul transmiterii tuturor datelor

Până de curând soluția standard era transmiterea tuturor datelor de măsurare către un server sau cloud. Această arhitectură este încă folosită în multe instalații, dar nu este întotdeauna optimă.

Dacă analiza se face direct lângă mașină, către sistemul superior pot fi transmise doar rezultatele calculelor sau informații despre anomalia detectată. Astfel se reduce volumul de date transferate, se scurtează timpul de reacție și scad cerințele privind infrastructura de comunicații.

Aceasta este baza soluțiilor denumite Edge AI. În loc să trimită toate probele către un sistem extern, analiza are loc acolo unde se generează datele – direct lângă echipamentul monitorizat.

Arduino UNO Q – nod de măsurare inteligent pentru aplicații Condition Monitoring

Acum că știm ce informații pot oferi analiza vibrațiilor și cum modelele de învățare automată ajută la detectarea anomaliilor, apare o altă întrebare – pe ce platformă să construim un astfel de sistem?

Arduino a dezvoltat platforma UNO Q având în vedere aceste aplicații. În cadrul campaniei „Descoperă aplicațiile practice ale Edge AI cu Arduino UNO Q” producătorul arată că aplicațiile moderne care folosesc inteligența artificială nu trebuie să se limiteze la calculatoare industriale sau servere puternice. Din ce în ce mai multe sarcini pot fi realizate local – direct pe dispozitivul care colectează datele de la senzori.

Practic, asta înseamnă posibilitatea construcției unui sistem compact de Condition Monitoring care analizează semnalele mașinii și informează utilizatorul despre anomalii, fără a fi nevoie să transmită toate datele în cloud.

Cum arată o arhitectură exemplară a soluției?

Deși fiecare aplicație are specificul său, schema de funcționare de bază este foarte asemănătoare.

De unde începem?

Una dintre cele mai frecvente greșeli este încercarea de a acoperi monitorizarea întregului parc de mașini chiar de la începutul proiectului.

O soluție mult mai bună este să începem cu un pilot restrâns.

Candidatul ideal este o mașină:

• care funcționează continuu,
• esențială pentru proces,
• echipată cu componente rotative precum un motor, pompă sau ventilator,
• pentru care există istoricul inspecțiilor sau defecțiunilor.

Primul pas al proiectului poate arăta astfel:

1. Instalarea accelerometrului și a senzorilor auxiliari.
2. Înregistrarea datelor în timpul funcționării normale.
3. Analiza măsurătorilor colectate.
4. Antrenarea sau configurarea modelului de detecție a anomaliilor.
5. Testarea sistemului în condiții reale.
6. Extinderea soluției către alte mașini.

Această abordare permite verificarea rapidă a eficienței soluției, reducerea costurilor de implementare și acumularea de experiență necesară dezvoltării ulterioare.

Ce componente sunt necesare?

Arduino UNO Q este doar elementul central al întregii soluții. Eficiența sistemului depinde în mare măsură de selecția corectă a celorlalte componente.

În funcție de cerințele aplicației merită luată în considerare utilizarea:

Datorită ofertei largi TME toate componentele necesare unui demonstrator sau stand complet pot fi achiziționate dintr-un singur loc. Astfel timpul de implementare se reduce, iar extinderea soluției este facilă.

Concluzie

Monitorizarea modernă a stării mașinilor nu mai este o soluție rezervată exclusiv marilor fabrici. Dezvoltarea senzorilor miniaturali, microcontrolerelor performante și a modelelor de învățare automată face ca primele proiecte în domeniul Condition Monitoring să poată fi realizate mult mai rapid și la costuri mai mici decât în urmă cu câțiva ani.

Desigur, asta nu înseamnă că controlerele PLC își pierd importanța. Ele rămân în continuare cel mai bun pariu în multe aplicații. Totuși, tot mai des primul pas arată altfel – în loc să se proiecteze un sistem complet de automatizare, inginerii construiesc un nod de măsurare inteligent, mic, care permite verificarea conceptului și evaluarea beneficiilor potențiale ale monitorizării stării echipamentelor.

Platformele precum Arduino UNO Q se încadrează perfect în această abordare de proiectare. În combinație cu senzori adecvați, module de comunicare și alte componente disponibile în oferta TME permit realizarea unei soluții scalabile – de la un simplu demonstrator până la un sistem extins pentru mentenanță.

Descoperă mai multe aplicații Arduino UNO Q

Monitorizarea stării mașinilor este doar un exemplu de utilizare a platformei Arduino UNO Q. Vezi și cum să o folosești pentru:

• controlul calității cu ajutorul AI Vision Inspection,
• lansarea agenților AI locali direct pe dispozitiv.

Accesează pagina „Descoperă aplicațiile practice ale Edge AI cu Arduino UNO Q”