Z punktu widzenia zarządzania produkcją jest to zjawisko oczekiwane w nowoczesnym przedsiębiorstwie. Przegląd przedmiotowej literatury wykazuje, że jedne z częściej występujących uszkodzeń w maszynach przemysłowych oraz na liniach produkcyjnych dotyczą łożysk, co skutkuje pogorszeniem działania maszyny (częściowe uszkodzenia wywołują dodatkowe tarcie) lub jej całkowitym zatrzymaniem. Co więcej, niepoprawna praca maszyny może również prowadzić do takiego uszkodzenia, w wyniku którego mogą ucierpieć osoby znajdujące się w pobliżu – a przecież zapewnienie bezpieczeństwa stanowiska pracy jest obligatoryjnym elementem każdego poprawnie funkcjonującego przedsiębiorstwa.
Klasyfikacja i algorytm
Celem badań, które przeprowadzili specjaliści z firmy APA Group i Politechniki Śląskiej, było określenie możliwości klasyfikacji anomalii dla poszczególnych uszkodzeń łożysk, z wykorzystaniem sieci neuronowych. Wykonano testy mające na celu wykrywanie anomalii w pracy łożysk kulowych z wykorzystaniem dwóch rodzajów sygnałów, tj. dźwięku i wibracji. Na podstawie danych pomiarowych stworzono algorytm bazujący na sztucznej inteligencji, który pozwala na klasyfikacje stanu łożysk kulkowych. Istotnym aspektem opracowanego podejścia jest charakter adaptacyjny, który rozwiązuje problem dostępności danych z awarii urządzenia, dlatego taki system można wykorzystać do adaptacji pracy dowolnej maszyny. Pozwala to na zmniejszenie kosztów utrzymania firmy poprzez zmniejszenie stanów awaryjnych oraz opcję planowania prac serwisowych na liniach produkcyjnych. Zaproponowany algorytm może dotyczyć szeregu aspektów uszkodzenia maszyn działających na liniach produkcyjnych.
Zapewnienie informacji serwisowej na temat zbliżającej się naprawy danego urządzenia, określonej na podstawie analityki danych, usprawnia proces planowania i zmniejsza koszty akcji serwisowych, których dokonywano okresowo – serwisowano urządzenia w momencie, gdy faktycznie było to wymagane. Zastosowanie systemu do wykrywania anomalii w case study badań APA Group i Politechniki Śląskiej zostało przetestowane na przykładzie analizy drganiowej łożysk kulkowych. Niemniej jednak ten sam algorytm może zostać wykorzystany do różnego typu danych, bez względu na częstotliwość próbkowania. W przypadku danych z akcelerometru czy też mikrofonu wstępne przetwarzanie informacji (zanim zostaną przesłane do sieci neuronowych) będzie się różniło od przetwarzania np. zmiennych procesowych lub pomiarów temperatury. Badania przeprowadzone na stanowisku diagnostycznym łożysk kulkowych pozwoliły na zaimplementowanie algorytmu, który może być wykorzystany do dowolnego typu danych. W celu weryfikacji algorytmu porównano dźwięk zarejestrowany przez mikrofon z drganiami pobranymi przez akcelerometr. Charakter adaptacyjny podejścia pozwala na wytrenowanie modelu do pracy zarówno fabrycznie nowego urządzenia, jak i takiego, które od dłuższego czasu jest w produkcji i po akcji serwisowej określono jego stan jako zgodny z normą.
Monitorować, wykrywać
Zaletą zaproponowanego rozwiązania jest łatwość monitorowania parametrów maszyny zarówno w trybie online, jak i wsadowo. Prezentowane podejście umożliwia wskazanie odstępstw od poprawnej pracy, które zarejestrowano na łożysku kulkowym, co stanowi ważną informację dla sekcji serwisowej, mówiącą o potencjalnym wystąpieniu uszkodzenia lub postępującym procesie degradacji elementu. Wczesne wykrycie anomalii jest w stanie zapobiec nieplanowanym przestojom linii produkcyjnej, do których może dojść przez ignorowanie występujących odstępstw w pracy danego urządzenia. Podejście przedstawione w case study, a także inne, które prowadzone są w APA Group, pozwalają na wdrażanie narzędzi, mających za zadanie wspierać proces wnioskowania – poprzez wyciąganie informacji z danych, cennych z punktu widzenia zarządzania i jakości produkcji.
Artur Pollak, Damian Gąsiorek
APA Group
www.apagroup.pl
