Kunstmatige intelligentie (AI) verandert de manier waarop bedrijven denken over betrouwbaarheid. Bijna elk draadloos trillingssysteem belooft ‘AI-gestuurde inzichten’ die leiden tot ‘slimme onderhoudsbeslissingen’. Maar in de praktijk is AI slechts een hulpmiddel. De resultaten van AI zijn slechts zo goed als de gegevens die het ontvangt. Als een systeem niet de juiste signalen vastlegt, kan geen enkele analyse het gat opvullen. Als gevolg daarvan kan het onderhoudsteam uiteindelijk reageren op storingen in plaats van ze te voorspellen.
Het echte onderscheidende kenmerk van voorspellend onderhoud (PdM) is niet AI, maar eerder de intelligente combinatie van kwaliteitsgegevens en deskundige domeinkennis, in combinatie met AI.
Wanneer ‘Slimme’ Sensoren blind zijn
Elk systeem beweert een slimme sensor te hebben en elke sensor registreert nuttige informatie. Zelfs het meest basale systeem zal u vertellen of de as uit balans is, de koppeling niet goed is uitgelijnd of de constructie los zit. Dit zijn belangrijke storingen om te weten, maar ze zijn ook het gemakkelijkst te detecteren.
Dit feit maakt het gemakkelijk om een succesvolle, maar niet doorslaggevende pilot uit te voeren. Tijdens een eerste proef zal elk systeem tal van voor de hand liggende problemen in de fabriek identificeren. Het voelt als een bewijs van succes, maar de echte test komt later. Veel sensoren zijn blind voor de signalen die worden gegenereerd wanneer hun kritieke assets een zich ontwikkelend lager- of tandwieldefect hebben. Dit zijn echter precies de storingen die de productie waarschijnlijk zullen stilleggen: de ‘proceskillers’.
Verborgen Signalen van de Process Killer
Alle machines genereren trillingssignalen over een breed spectrum, van lage tot zeer hoge frequenties. De vraag is: welke frequenties zijn het belangrijkst?
Trillingen met een lagere frequentie houden verband met de beweging van de machine: de rotatie van de as en de uitlijning van de onderdelen. Trillingen met een hogere frequentie worden daarentegen veroorzaakt door schokken, bijvoorbeeld de scherpe, korte stoten die ontstaan wanneer een rollend element over een buitenring loopt.
Om die schokken te detecteren, moet je de trillingen in een hoogfrequent bereik meten met een overeenkomstig hoge bemonsteringsfrequentie. Hoe hoger de bemonsteringsfrequentie, hoe hoger de gegevenskwaliteit. Bij standaard trillingsbemonstering worden deze scherpe schokken echter geregistreerd als een vloeiende beweging, ook al is er sprake van ernstige mechanische schade die tot een dreigende storing leidt.
Veel draadloze sensoren zijn daarom niet eens in staat om het volledige trillingsbeeld vast te leggen. Door een lager frequentiebereik (en een lagere bemonsteringsfrequentie) te gebruiken, kan het systeem blind worden voor de hoogfrequente signalen van een beschadigd lager, waardoor de fabriek blootgesteld wordt aan een ongeplande stilstand. Opgemerkt moet worden dat de overgrote meerderheid van de beschikbare systemen gebruikmaakt van signaalverwerking door derden, wat hun vermogen om deze signalen te detecteren nog verder beperkt. Het resultaat is een onvolledig beeld van de machineconditie en een sterk verminderd vermogen om lager- en tandwieldefecten en andere procesverstorende factoren te detecteren.
De Failure Curve omhoog
Reliability engineers verwijzen vaak naar de P-F-curve, de verstreken tijd tussen het begin van een storingsmodus (bijv. P = Potential Failure) en de daaruit voortvloeiende productie-uitval (F = Functional Failure). Het doel is om problemen zo vroeg mogelijk in de curve op te sporen. Dit biedt extra tijd om te plannen en ongeplande uitval te voorkomen.
Systemen die geen hoge frequenties kunnen detecteren, kunnen deze defecten volledig missen. Of, als ze ze wel detecteren, is dat veel later in de storingscurve, waardoor er weinig of geen tijd is om onderhoud in te plannen voordat het apparaat defect raakt.
Het verwerken van het ruwe trillingssignaal met hoogfrequente bemonstering verandert alles. De resulterende informatie geeft niet alleen de aard van het probleem weer, maar ook de ernst van het defect, zodat je weet hoe ver het is gevorderd. Dat is het verschil tussen reageren op storingen en ze echt voorspellen.
Functionaliteit en prijs komen niet altijd overeen
Bij een draadloos trillingsapparaat is het verleidelijk om aan te nemen dat duurder ook beter is. De effectiviteit van een draadloze trillingssensor heeft echter weinig te maken met de prijs. Wat bepalend is voor het succes ervan, is een intelligent ontwerp: hoe de sensor gegevens vastlegt, verwerkt en verzendt.
Een goed ontworpen systeem kan hoogwaardige gegevens leveren zonder dat dit ten koste gaat van de prijs. Een slecht ontworpen systeem kan duur zijn en toch blind zijn voor deze kritieke defecten. Het verschil zit hem in de technische keuzes:
- Kan het snel genoeg samples nemen om hoogfrequente schokken te registreren?
- Meet het de trillingsamplitude nauwkeurig?
- Is het ruwe analoge trillingssignaal toegankelijk voor het AI-algoritme?
Zonder deze basisprincipes werkt zelfs het beste AI-model met onvolledige informatie. De output ziet er misschien geavanceerd uit, maar de diagnose is gebaseerd op onvolledige gegevens.
Meer dan AI: datakwaliteit, domeinkennis en diagnostiek
De prestaties van een PdM-programma worden niet alleen bepaald door het AI-algoritme. Ze zijn het resultaat van een samenwerking tussen kwaliteitsdata, uitgebreide domeinkennis en goede diagnostiek. Aangezien trillingssignalen worden aangestuurd door de fysica, is het grootste voordeel van AI het vergroten van de dekking. Het verandert het proces van trillingsanalyse niet fundamenteel. Het concept van ‘machine learning’ wordt hier bijna verkeerd toegepast, aangezien de diagnostische principes die ten grondslag liggen aan trillingsanalyse al tientallen jaren goed worden begrepen. Als een bepaald systeem beweert dat het tijdens het gebruik ‘leert’, betekent dit in feite dat het niet is gebaseerd op een gevestigde foutmodusanalyse.
Het belangrijkste onderscheid tussen de output van betrouwbaarheidssystemen is daarom of ze zijn ontworpen door experts die verstand hebben van machines en machineanalyse. In een goed ontworpen systeem worden hoogwaardige gegevens verzameld met een hoge bemonsteringsfrequentie (doorgaans boven 100 kHz) om de vroegste en meest nauwkeurige tekenen van mechanische belasting te detecteren — en, belangrijker nog, de ernst van het defect. Domeinexpertise zorgt ervoor dat deze signalen correct worden geïnterpreteerd. Deze belangrijke functie verschuift onderhoud van achteraf naar vooruitziendheid.
Hoewel AI een krachtig hulpmiddel blijft, kan het geen vervanging zijn voor hoogwaardige gegevens en uitgebreide domeinkennis. Het vermogen om belangrijke informatie uit het ruwe trillingssignaal te halen, maakt voorspellingen mogelijk.
Tot slot is elke vorm van PdM alleen waardevol als je beschikt over een proces om actie te ondernemen op basis van de informatie die uit het trillingssignaal wordt verkregen. Dit is een belangrijke vraag die moet worden beantwoord voordat een systeem wordt geïmplementeerd. Bij het evalueren van een systeem zijn dit goede vragen om te stellen:
- Is er een optie voor geavanceerde probleemoplossing?
- Kan ik een ervaren analist ter plaatse laten komen om een AI-diagnose te valideren?
- Welke andere voorspellende technologieën kunnen worden gecombineerd met trillingen om de noodzaak van een onderhoudsstop te bevestigen?
Klik hier om te ontdekken hoe je deze principes in de praktijk kunt brengen en uw PdM-programma naar een hoger niveau kunt tillen.
