Sensorbasert prediktivt vedlikehold gir deg tingenes tilstand

Vedlikehold kan gjøres både før og etter at feil har inntruffet. Forebyggende vedlikehold er både enklere og billigere enn å rette opp feil og følgefeil etter at alt har stoppet opp. Samtidig er det ikke om å gjøre å utføre mest mulig vedlikehold. Vedlikehold koster tid og penger og kan – i tillegg til å forebygge – også forårsake feil.

Prediktivt vedlikehold handler om å overvåke og forstå tilstand på maskiner og utstyr, og komme feil og vedlikeholdsbehov i forkjøpet. På den måten kan man unngå 1) unødvendig vedlikehold, 2) uventet nedetid og produksjonsstans på grunn av uforutsett vedlikeholdsbehov, og 3) situasjoner som setter bygg, utstyr, dyr, miljø og mennesker i fare.

Hvor smarte er de andre?

I rapporten German Industry 4.0 index som er basert på svar fra 323 tyske industribedrifter kommer det fram at mange bedrifter har noe erfaring med prediktivt vedlikehold, men svært få har kommet langt. De aller fleste bedriftene mener imidlertid at dette er svært viktig, og over 80 prosent av de som faktisk har tatt grep i retning prediktivt vedlikehold beskriver det som en positiv erfaring.

Dette samsvarer med vårt inntrykk fra norsk industri. Svært mange er interesserte i prediktivt vedlikehold, men få har kommet langt med tanke på å ta i bruk nye løsninger.

En annen rapport som ser på implementering av prediktivt vedlikehold er Predictive Maintenance 4.0. Beyond the Hype. Her deler forfatterne (PWC og Mainnovation) prediktivt vedlikehold inn i fire modenhetsnivåer:

  • Nivå 1: Visuell inspeksjon av operatør.
  • Nivå 2: Instrument-basert inspeksjon.
  • Nivå 3: Tilstandsovervåkning i sanntid. Med andre ord: sensorbasert prediktivt vedlikehold.
  • Nivå 4: Prediktivt vedlikehold 4.0. Avansert analyse basert på sensordata samlet inn over tid.

Basert på et utvalg bestående av 268 europeiske bedrifter i 2018 kommer de fram til at bare 11 prosent tilhører den mest modne kategorien som bruker sanntidsata i kombinasjon med algoritmer for å avdekke «uforutsigbare» feil.

Figur 1: Modenhet innen prediktivt vedlikehold. Kilde: Predictive Maintenance. Beyond the hype.

Modenhetsinndelingen er interessant fordi den fjerner noe av mystikken knyttet til prediktivt vedlikehold. Mange forbinder prediktivt vedlikehold med avanserte algoritmer, big data, kunstig intelligens, digitale tvillinger og andre avanserte teknologier som hører hjemme i nivå fire, men det er altså ikke så komplisert. Feil har man tross alt forsøkt å komme i forkjøpet på den ene eller andre måten i alle år. Forskjellen er at vi nå har en ny verktøykasse til rådighet. Det betyr at grensen for forutsigbarhet har endret seg.

Se også: Digitalisering i fem trinn.

Trådløse sensorer kjøper tid

Trådløse sensorer som laster målinger på nett gjør at man kan utnytte styrkene i den digitale sfæren til å se og forstå den fysiske virkeligheten. Dette kan gjøres så enkelt som at man får et varsel dersom temperatur, trykk eller vibrasjon er utenfor normalen, eller det kan gjøres mer avansert ved å analysere sammenhengen mellom en rekke forskjellige parameter både innenfor (maskiner og bygg) og utenfor (vær og vind) din kontroll.

Innen prediktivt vedlikehold er PF-intervallet et kjent begrep. Det er et begrep som beskriver tiden mellom det punktet hvor det er mulig å oppdage feilsymptomer (potensiell feil) til feilen slår ut i en funksjonell feil. Med andre ord responstiden fra man oppdager at noe er i ferd med å skje, til dette får uheldige konsekvenser. Jo tidligere man ser feilen, jo enklere og billigere kan man rette den opp. 

Figur 2: PF-intervallet er tiden fra man kan oppdage feilen (potensiell feil) til feilen forårsaker funksjonssvikt.

Vibrasjonsovervåkning av maskiner og motorer

Hvilke parameter som sier mest om tilstanden avhenger imidlertid av hva slags system eller objekt som overvåkes. Vi i El-Watch utvikler en rekke forskjellige sensorer, men med tanke på prediktivt vedlikehold vil vi særlig trekke fram vibrasjon og temperatur som interessante måleområder. Vi har derfor utviklet en egen trådløs sensor som er spesielt designet for å måle vibrasjon og overflatetemperatur på motorer og andre maskiner.

Figur 3: Neuron vibrasjonssensor har en diameter på 35 mm og festes med magnet på objektet som skal overvåkes. Avhengig av målefrekvens har denne en batterilevetid på alt mellom to og ti år.

Hvordan sensoren plasseres på en slik måte at den gir mest mulig relevant informasjon vil variere fra maskin til maskin. Dette er noe vi i El-Watch gjerne hjelper til med i samråd med dere som kjenner maskinen og prosessen best. 

De to grafene (figur 4 og 5) viser vibrasjons- og temperaturmålinger fra en produksjonsprosess som gikk galt (men hvor sensorene ikke var satt opp til å varsle). De to grønne pilene i figur 3 viser den normale vibrasjonssignaturen til denne produksjonsprosessen. Her ser vi tydelig at prosessen som starter ca 17:30 innledes med en liten pukkel (gul pil) og avsluttes med vibrasjonsmålinger langt over normalen.

Figur 4: Grønn pil markerer normal vibrasjon ved produksjon. Vibrasjonen er målt i g (blå graf, venstre akse), mens temperaturen (i svart) er oppgitt på høyre akse.

Den neste produksjonsprosessen som starter klokken 21 avslutter også med vesentlig høyere vibrasjon enn normalt, og nå ser vi at temperaturen også stiger raskt. Klokken 02:00 kommer ikke prosessen i gang, men feilen blir først oppdaget klokken 03:00 da feilen allerede er i fri flyt på gulvet. I dette tilfellet kunne sensoren varslet om et feilsymptom 10 timer før feilen fikk store konsekvenser.

Figur 5: Økende temperatur og avvik i vibrasjon utover natten.

Temperaturovervåkning av elektriske anlegg

Et mer hverdagslig eksempel er temperaturovervåkning i sikringsskap. I et elektrisk anlegg er temperaturen en svært viktig indikator som sier mye både om belastning på kurser og feil som følge av over- eller skeivbelastning. En temperatursensor i sikringsskapet, på elektriske kabler eller rett på maskiner og utstyr kan være nok til å si at noe er feil eller i ubalanse.

Grafen under viser målinger fra en lufttemperatursensor i et sikringsskap gjennom romjula 2019. Her kan man tydelig se hvordan temperaturen i sikringsskapet henger sammen med strømforbruket gjennom jula. Her ser vi at forbrukstoppen på nyttårsaften ga en temperatur på 27 grader. Det betyr at 30 eller 35 grader kan være en fornuftig alarmgrense for å få beskjed når noe er utenfor normalen. For å justere for omgivelsestemperaturen er det også mulig å sette en alarmgrense som for eksempel er 8 grader over temperaturen utenfor sikringsskapet. 

Figur 6: Romjula 2019 sett fra sikringskapet.

Bedre innsikt i sammenhenger kjøper enda mer tid

Dette er to enkle eksempler på hvordan sensorbasert prediktivt vedlikehold kan sørge for at du får varsel om avvik i god tid før du har et alvorlig problem. Ved å overvåke og analysere flere parameter over tid kan du i enda større grad se nye sammenhenger slik at du ikke bare øker responstiden, men også lærer mer om hvilke faktorer som forårsaker feil i utgangspunktet. 

Teknologi kan ikke erstatte operatører og vedlikeholdsfolk, men teknologi kan sørge for at de får bedre oversikt, beslutningsgrunnlag og tid til å fokusere på det som er viktig. Trådløse sensorer er et utvidet sanseapparat som forsyner mennesker, maskiner og programvare med informasjonen som behøves for å fungere i en stadig mer kompleks og mangefasettert virkelighet.

Helt til slutt, uansett hvor mye vi måler og analyserer vil vi aldri bli i stand til å fjerne all usikkerhet (enten vi snakker om industriproduksjon eller brann i hus og fjøs). Trådløse sensorer er et svært godt verktøy som på en enkel og rimelig måte kan gi vesentlig bedre sikkerhet og effektivitet fra dag en (nivå 3 i modenhetsinndelingen), og – over tid – enda bedre forståelse av hva som påvirker deg og ditt (nivå 4).