HVORDAN OVERVÅGE VIBRATIONER I MASKINER UDEN AT OPBYGGE ET HELT AUTOMATIONSSYSTEM?

Uplanlagte nedetider er en af de største udfordringer i moderne industri. Uanset om vi taler om en lille monteringslinje, et transportsystem eller en stor produktionsfacilitet, kan svigtet af et enkelt element stoppe hele produktionsprocessen. I mange tilfælde viser reparationsomkostningerne sig at være små sammenlignet med omkostningerne ved nedetid, forsinkelser i ordreopfyldelse eller nødvendigheden af genstart af produktionen.

Problemet er, at skader sjældent opstår pludseligt. Lejer slides ikke op fra den ene dag til den anden, rotorer mister ikke balance i løbet af et øjeblik, og gear sender i lang tid subtile signaler, der indikerer forringet teknisk tilstand. Spørgsmålet er derfor ikke om fejlen kommer, men om vi kan opdage de første symptomer i tide.

Derfor får løsninger inden for Condition Monitoring, altså kontinuerlig overvågning af maskinernes tilstand, stadig større betydning. Deres opgave er ikke at styre produktionsprocessen, men at overvåge driftsparametrene på udstyret og opdage ændringer, som kan indikere en udviklende skade.

For blot få år siden var sådanne systemer især forbundet med store investeringer. Omfattende PLC-styringer, analoge indgangsmoduler, SCADA-software, datalagringsservere og specialiserede diagnoseapplikationer gjorde implementeringen af overvågning berettiget primært i store industrivirksomheder.

Situationen ser i dag helt anderledes ud.

Udviklingen af miniaturiserede sensorer, mere effektive mikrocontrollere og AI-modeller, der udføres direkte på enheden, har gjort det muligt at starte mange projekter inden for Condition Monitoring meget hurtigere og til langt lavere omkostninger. Stadig oftere er det første skridt ikke opbygningen af et komplet automationssystem, men etableringen af en lille teststation, der gør det muligt at kontrollere, om den valgte diagnostiske metode rent faktisk vil give de forventede resultater.

ER PLC ALTID NØDVENDIG TIL MASKINOVERVÅGNING?

PLC-styringer har i årtier udgjort fundamentet for industriel automation, og det er svært at forestille sig moderne produktionslinjer uden dem. De egner sig perfekt, hvor der kræves processtyring, håndtering af input-output-signaler, kommunikation med udførende enheder eller integration med overordnede systemer.

Det betyder dog ikke, at hver opgave i forbindelse med maskinovervågning kræver implementering af et fuldt PLC-system.

Forestil dig en situation, hvor vi ønsker at:

tjekke om vibrationsanalyse kan opdage lejeslid,
forberede en demonstration til en kunde,
bygge et Proof of Concept-projekt,
indsamle data til træning af en maskinlæringsmodel,
overvåge en enkelt motor, pumpe eller ventilator.
I sådanne anvendelser kan en klassisk PLC-styring vise sig at være langt mere omfattende, end applikationen kræver. Udover hardwareomkostninger skal man tage højde for konfiguration af styringen, forberedelse af programmet, integration med øvrige installationsdele og efterfølgende vedligeholdelse af systemet.

Alternativt kan en intelligent måleenhed ansvarlig for at indsamle data fra sensorer, analysere dem og kun formidle resultater til det overordnede system vælges. Dette gør det muligt at påbegynde projektet betydeligt hurtigere, samtidig med at mulighederne for fremtidig udvidelse bevares.

Denne tilgang passer perfekt ind i udviklingen af løsninger, der anvender lokal databehandling og AI-modeller, der kører direkte på enheden. I litteraturen og producentdokumentationen kaldes det ofte Edge AI.

HVORFOR NETOP VIBRATIONER?
Maskinens tekniske tilstand kan vurderes på baggrund af mange parametre. Afhængigt af enhedens art overvåges blandt andet temperatur, strømforbrug, tryk, omdrejningshastighed eller støjniveau. Hver af disse giver værdifuld information, men netop vibrationsanalyse betragtes i mange år som en af de mest effektive diagnostiske metoder brugt i vedligehold.

Det er ikke tilfældigt.

De fleste skader på roterende elementer påvirker vibrationskarakteristikaene, før fejlen bliver mærkbar for operatøren. Et slidt leje, en ubalanceret rotor, aksial misalignment eller mekaniske spil forårsager ændringer i signalet, som kan registreres og analyseres længe før mere alvorlige skader opstår.

At opdage en afvigelse i tide giver mulighed for planlagt eftersyn eller udskiftning under service-stop. Det betyder i praksis reduceret risiko for uplanlagte nedetider og ofte også betydelige omkostningsreduktioner i vedligeholdelse.

HVAD KAN OPDAGES MED VIBRATIONSANALYSE?
Selvom signalet fra en accelerometer kan virke som en samling tilfældige værdier, indeholder det meget information om tilstanden af udstyret. Korrekt analyse kan med høj sandsynlighed indikere typen af udviklende problem.

Observeret ændring Mulig årsag
Stigning i vibrationsamplitude Ubalance i roterende elementer
Karakteristiske frekvenser i spektret Lejeskade
Øget aksial vibration Aksial misalignment
Uregelmæssige impulser Mekanisk spil eller gearskader
Ændringer ved opstart Problemer med drev eller motor
Selvfølgelig giver vibration alene ikke et fuldstændigt billede af maskinens tilstand. Derfor kombinerer moderne diagnosesystemer ofte informationer fra flere kilder.

Typisk overvåges samtidig:

vibrationer,
temperatur,
motorens strømforbrug,
omdrejningshastighed,
driftstid.
Det er først kombinationen af disse parametre, der reducerer falske alarmer og giver en mere præcis vurdering af maskinens egentlige tilstand.

FRA RÅ SIGNAL TIL INFORMATION

Måling af vibrationer løser ikke problemet i sig selv. For at data kan bruges til vurdering af enhedens tilstand, skal de behandles korrekt.

Processen omfatter normalt flere trin:

Dataindsamling fra sensor – typisk en MEMS-accelerometer, der måler acceleration i en eller flere akser.
Forbehandling af signal – fjernelse af støj, filtrering og opdeling af data i korte segmenter til videre analyse.
Udregning af karakteristiske træk – værdier som RMS, vibrationsamplituder, peak-faktor eller frekvensanalyse vha. hurtig Fourier-transformation (FFT).
Vurdering af maskinens tilstand – baseret på foruddefinerede alarmgrænser eller maskinlæringsmodel.
Formidling af information til bruger – som alarm, besked eller data sendt til overordnet system.
For få år siden blev de fleste af disse operationer udført på en industricomputer eller server. Udviklingen af kraftigere mikrocontrollere gør det imidlertid muligt at udføre en større del af beregningerne direkte på enheden, der indsamler data.

HVILKEN ROLLE SPILLER KUNSTIG INTELLIGENS?
Klassiske Condition Monitoring-systemer baseres oftest på foruddefinerede alarmgrænser. Hvis vibrationsamplituden overskrider en bestemt værdi, rapporterer systemet en potentiel fejl.

Denne tilgang er effektiv, men har også begrænsninger. Mange maskiner arbejder under varierende belastningsforhold, og faste grænseværdier kan føre til falske alarmer eller omvendt overse en udviklende fejl.

Derfor anvendes i stigende grad maskinlæringsmodeller, som analyserer hele driftsmønsteret snarere end enkelte værdier.

Modellen lærer, hvordan korrekt maskindrift ser ud, og sammenligner derefter nye dataprøver med dette mønster. Identificeres en væsentlig afvigelse, kan den kategoriseres som en potentiel anomali, der kræver yderligere diagnose.

Denne løsning erstatter ikke vedligeholdelsesingeniørens viden, men gør det markant lettere at opdage subtile ændringer, som ville være vanskelige at identificere ved manuel analyse af store datamængder.

LOKAL ANALYSE I STEDET FOR AT SENDE ALLE DATA
Indtil for nylig var standardløsningen at sende alle målte data til en server eller skyen. En sådan arkitektur anvendes stadig mange steder, men er ikke altid optimal.

Hvis analysen foretages direkte ved maskinen, kan det overordnede system kun modtage beregningsresultater eller information om opdagede anomalier. Det reducerer datamængden, forkorter svartider og mindsker krav til kommunikationsinfrastruktur.

Denne fremgangsmåde udgør grundlaget for løsninger kaldet Edge AI. I stedet for at sende alle data til et eksternt system, sker analysen dér, hvor data opstår – direkte ved den overvågede enhed.

ARDUINO UNO Q – INTELLIGENT MÅLENODE TIL CONDITION MONITORING-APPLIKATIONER

Nu hvor vi ved, hvilke oplysninger der kan opnås gennem vibrationsanalyse, og hvordan maskinlæringsmodeller hjælper med at opdage uregelmæssigheder, opstår næste spørgsmål – på hvilken platform skal et sådant system bygges?

Arduino har udviklet UNO Q platformen med netop sådanne anvendelser i tankerne. Med kampagnen “Oplev praktiske anvendelser af Edge AI med Arduino UNO Q” demonstrerer producenten, at moderne AI-applikationer ikke behøver begrænses til industricomputere eller kraftige servere. Flere opgaver kan udføres lokalt – direkte på enheden, der indsamler data fra sensorer.

I praksis betyder det, at man kan bygge et kompakt Condition Monitoring-system, der analyserer maskinens signaler og informerer brugeren om opdagede uregelmæssigheder uden at skulle sende alle data til skyen.

HVORDAN SER ET EKSEMPEL PÅ SYSTEMARKITEKTUR UD?
Selvom hver applikation er unik, er det grundlæggende arbejdsgang meget lig den nedenstående.

MEMS-accelerometer
│
▼
Arduino UNO Q
│
Signalbehandling
│
Maskinlæringsmodel
│
Vurdering af maskintilstand
│
├── Brugerbesked
├── Dashboard
└── SCADA-/MES-/IoT-system
Løsningen er nem at udvide. Ud over vibrationssensoren kan systemet suppleres med temperatursensorer, overvågning af strømforbrug eller kommunikationsmoduler såsom Ethernet, Wi-Fi eller Bluetooth. Dermed kan projektet vokse i takt med implementeringens næste faser.

HVOR STARTER MAN?
En af de mest almindelige fejl er at forsøge at overvåge hele maskinparken fra starten af.

Et meget bedre valg er at begynde med en lille pilot.

Et velegnet maskineri er:

kontinuerligt i drift,
kritisk for processen,
udstyret med roterende elementer som motor, pumpe eller ventilator,
for hvilken der findes historik over eftersyn eller fejl.
Projektets første fase kan udføres som følger:

Installation af accelerometer og hjælpesensorer.
Dataregistrering under normal drift.
Analyse af de indsamlede målinger.
Træning eller konfiguration af modellen, der opdager anomalier.
Test af system i reelle forhold.
Udvidelse af løsningen til flere maskiner.
Denne tilgang gør det muligt hurtigt at verificere effektiviteten af hele løsningen, reducere implementeringsomkostninger og opnå erfaring, der er nødvendig for yderligere udvikling.

HVILKE KOMPONENTER ER NØDVENDIGE?
Arduino UNO Q udgør kun det centrale element i løsningen. Systemets effektivitet afhænger i høj grad af den korrekte udvælgelse af øvrige komponenter.

Afhængigt af applikationens krav bør man overveje at bruge:

Komponent Systemets rolle
Arduino UNO Q enhed ansvarlig for dataindsamling og analyse
MEMS-accelerometer måling af vibrationer og acceleration (til prototyper Modulino ABX00101)
Temperatursensorer yderligere diagnose af maskintilstand (til prototyper Modulino ABX00103)
Kommunikationsmoduler overførsel af resultater til overordnet system (UNO Q understøtter native WiFi 5 / Bluetooth 5.1)
Industrielle strømforsyninger pålidelig strømforsyning
Kabler, stik og kabinetter opbygning af komplet målestation
Takket være det brede sortiment hos TME kan alle elementer til bygge af demo eller komplet teststation købes samlet ét sted. Det forkorter projektets gennemførelse og letter efterfølgende udvidelse af løsningen.

OPSUMMERING
Moderne maskinovervågning er ikke længere løsninger forbeholdt de største industrivirksomheder. Udviklingen af miniaturiserede sensorer, mere effektive mikrocontrollere og maskinlæringsmodeller har gjort det muligt at realisere de første Condition Monitoring-projekter væsentligt hurtigere og billigere end for få år siden.

Det betyder naturligvis ikke, at PLC’er mister relevans. I mange applikationer er de stadig det bedste valg. Men det første skridt er ofte anderledes – frem for at designe et komplet automationssystem bygger ingeniører en lille, intelligent målenhed, som gør det muligt at verificere konceptet og vurdere de potentielle fordele ved maskinovervågning.

Platforme som Arduino UNO Q er skræddersyet til netop denne udviklingsmetode. I kombination med passende sensorer, kommunikationsmoduler og øvrige komponenter tilgængelige i TME’s sortiment kan man skabe en skalerbar løsning – fra simpel demo til komplekst system, der understøtter vedligehold.

Køb Arduino UNO Q 2GB

Køb Arduino UNO Q 4GB

LÆR FLERE ANVENDELSER AF ARDUINO UNO Q AT KENDE
Maskinovervågning er kun et eksempel på, hvordan man kan bruge Arduino UNO Q-platformen. Se også, hvordan den kan anvendes til:

kvalitetskontrol med AI Vision Inspection,
lokale AI-agenter, der kører direkte på enheden.
Gå til siden “Oplev praktiske anvendelser af Edge AI med Arduino UNO Q”
Kilde: https://www.tme.eu/dk/da/news/library-articles/page/78916/hvordan-overvage-vibrationer-i-maskiner-uden-at-opbygge-et-helt-automationssystem/