• Home
  • اینترنت اشیا
  • تاثیر اینترنت اشیا صنعتی (IIoT) در تعمیر و نگهداری پیش بینی شده
IIoT

تاثیر اینترنت اشیا صنعتی (IIoT) در تعمیر و نگهداری پیش بینی شده

اینترنت اشیا صنعتی (IIoT) انقلاب صنعتی 4.0 را شکل داده است. هدف اصلی اینترنت اشیا صنعتی (IIoT) این است که برنامه های صنعتی عملیاتی، بسیار مؤثر و کارآمدتر باقی بمانند. تعمیر و نگهداری پیش بینی شده یک موضوع محبوب برای IIoT است و راه حل های خوبی نیز در این خصوص ارائه می دهد. دانستن این که چه زمانی در مورد یک موضوع بالقوه از قبل تعیین شده است، مزایای بسیاری دارد. این مقاله به بررسی این موضوع می‌ پردازد که چگونه تعمیر و نگهداری پیش‌ بینی‌ شده (PdM) به صنعت کمک می‌ کند تا زمان کار، سرعت تولید و سود آوری را به حداکثر برساند و به کاربران خود مزایای رقابتی بدهد.

IIoT و ارزیابی سلامت

یکی از راه‌ های دستیابی به عملکرد و سود آوری بالا، کارکردن ماشین‌ ها تا حد امکان با نظارت دقیق و ارزیابی سلامت آن‌ ها است، فرآیندی که به عنوان نظارت بر سلامت ماشین (MHM) شناخته می‌شود. مفهوم MHM ساده است: با استفاده از حسگرهای مختلف بر روی ماشین‌ ها و جمع‌ آوری و پردازش اطلاعات، طراحان امیدوارند قبل از بروز مسائل مهم و پرهزینه، اقدامات اصلاحی را در صورت وجود، تعیین کنند.

IIoT و نگهداری

PdM

تعمیر و نگهداری فرآیندی است که مهندسان برای حفظ یا افزایش عمر تجهیزات و جلوگیری از خرابی های پرهزینه از آن استفاده می کنند. نگهداری از ماشین‌ ها ارزان‌ تر از این است که منتظر بمانید تا خراب شوند و برای تعمیر آن ها دست به کار شوید. نه تنها در مورد خود ماشین بلکه بر وی بهرورداری و تولید نیز تاثیر مخربی خواهد داشت. با این حال، تعمیر و نگهداری، مهندسان را ملزم به نظارت مستمر بر ماشین‌ ها برای کمک به شناسایی مشکلات قبل از وقوع آنها می‌ کند.

مهندسین برای جمع‌ آوری اطلاعات مربوط به وضعیت تجهیزات خود از حسگرهای الکترونیکی استفاده می‌ کنند که داده‌ های آن‌ ها توسط میکروکنترلرها (MCU) و ریزپردازنده‌ ها (MPU) پردازش می‌ شوند. این دو نوع پشتیبانی تعمیر و نگهداری تجهیزات عمدتاً با رویکرد و روش‌ شناسی متمایز می‌ شوند. هیچ کدام بهتر نیست؛ آنه ا مکمل یکدیگر هستند. در هر دو دسته، شرایط نظارت می شود.

تعمیر و نگهداری پیش بینی شده

مانیتورینگ می‌ تواند به سه روش زیر انجام شود:

  • سنجش بی‌ درنگ پیوسته
  • سنجش فواصل دوره‌ ای
  • سنجش از راه دور.

IIoT و تعمیر و نگهداری مبتنی بر شرایط

فعالیت های نگهداری و تعمیرات انواع تجهیزات موجود در هر واحد تولیدی و خدماتی می‌ بایست در چهار چوب یک نظام کامل، جامع و مناسب که به صورت نرم‌ افزار و یا مدون توسط کارشناسان و صاحب‌ نظران طراحی سیستم و سیستم‌ دهی تهیه شده است، به مرحله اجرا درآید تا ضمن اعمال کنترل بر تأمین منابع مورد نیاز از منافع و مزایای مستقیم و غیر مستقیم که از پیاده‌ سازی آن سیستم عاید می‌ شود، صاحبان صنایع و مالکین تجهیزات بهره‌ مند شوند.

سیستم پیشرفته (CBM/ Condition Based Maintenance. sys) عملاً شکلی تلفیقی و بهینه‌ سازی شده از سیستم های ذکر شده می‌ باشد که در مجموع جنبه‌ های اقتصادی امور نگهداری و تعمیرات (به صورت کنترل و دقیق مؤلفه‌ های هزینه‌ ساز مرتبط با اقتصاد تعمیرات) و نهایتاً تعدیل قیمت تمام شده محصول را در قالبی آگاهانه مورد توجه قرار می‌ دهد.

مفاهیم CBM و PDM نسبت به یک دیگر نزدیک هستند ولی توجه داشته باشیم که در CBM به صرف انجام آزمایشات ابزاری (Instrumental Testing) و به اجرا در آوردن فعالیت های بازرسی فنی (Technical Inspection) و کسب اطلاع از وضعیت موجود قابلیت و کارایی قطعات و تجهیزات که در اثر پیاده‌ سازی PDM معین می‌ گردد، بلافاصله راجع به توقف و یا ادامه کار، تجهیز دستگاه مورد تصمیم‌ گیری نمی‌ شود بلکه به طور واقع‌ بینانه با توجه به همه جوانب و عوامل و تحلیل فاکتورهای مهم دیگر و جمع‌ بندی اطلاعات به دست آمده تصمیم‌ گیری نهایی صورت می‌ گیرد.

IIoT و تعمیرات قابل پیش بینی

اینترنت اشیا صنعتی

در غیاب سنجش و پردازش بلادرنگ، تکنیک دیگر تعمیر و نگهداری پیش‌بینی شده (PdM) – ممکن است به کار گرفته شود. سیستم نگهداری و تعمیرات پیشگیرانه (PM/ Preventive Maintenance. sys) و سیستم تعمیرات پیش‌ بینی شده (PDM/ Predictive Maint. sys) از رایج‌ ترین انواع سیستمهای نگهداری و تعمیرات می‌ باشند که پس از طراحی معمولاً براساس نظر و تصمیم کارشناسان و متولیان امور نگهداری و تعمیرات، با توجه به توان فنی و مهندسی و منابع موجود، نوع سرویس و اهمیت دستگاه و برنامه‌ های کلان مدیریت، انتخاب و پیاده‌ سازی می‌ شود.

کاربران صنعتی معمولاً مایلند هر گونه مشکل بالقوه را زودتر تشخیص دهند. ارزش یا مزیت این امر آشکار است: تشخیص زود هنگام به کاهش زمان از کار افتادن سیستم، بهبود زمان اجرا و بازده عملیاتی و به حداقل رساندن تعمیرات پرهزینه یا قابل توجه و مسائل ایمنی کمک می کند. PdM ارزشمند است زیرا هم در هزینه و هم در زمان صرفه جویی می کند. با گذشت زمان، احتمال بروز خطا ها کاهش می یابد. ولی هرگز نباید انتظار کمال گرایی یا حذف کامل مشکلات را داشت.

همان طور که اشاره شد، PdM از پیش بینی های مربوط به آینده استفاده می کند. پیش‌ بینی‌ ها تجربیاتی هستند که بر اساس مشاهدات گذشته به دست آمده اند. باید درجه بالایی از همبستگی بین اطلاعات جمع آوری شده گذشته وجود داشته باشد تا بتوان یک پیش بینی قوی از آینده انجام داد. اگر همبستگی بالایی وجود نداشته باشد، هر پیش‌ بینی ممکن است گمانه‌ زنی نامرتبط باشد.

IIoT و مدل های تحلیلی پیش بینی کننده

هدف مورد نظر PdM دستیابی موفقیت آمیز به یک مدل تحلیل پیش بینی کننده (PAM) است که مجموعه ای از احتمالات را برای اطلاع رسانی فرآیند تعمیر و نگهداری فراهم می کند. یک مدل PAM موفق با جلوگیری از شکست با برنامه ریزی تعمیر و نگهداری مناسب برای اصلاح وضعیت و بازگرداندن آن به شرایط استاندارد به هدف خود می رسد.

PdM موفق به IIoT متکی است. IIoT داده‌ های مربوط به عملکرد ماشین‌ ها را جمع‌ آوری می‌ کند و آن‌ ها را در قالب دیجیتالی قرار می‌ دهد که می‌ تواند ارسال، پردازش، تجمیع و تجزیه و تحلیل شود. راه حل های اتصال سیمی و بی سیم پهنای باند کافی برای مدیریت حجم زیادی از داده ها را فراهم می کنند. IIoT اجازه می دهد تا یک مدل کامل در لبه یا در فضای ابری ساخته شود.

IIoT و هوش مصنوعی

از آن جایی که هدف جلوگیری از خرابی سیستم ها است، توانایی پیش بینی زمان برنامه ریزی تعمیر و نگهداری ضروری است. برای کمک به انجام این پیش‌ بینی‌ ها با سطح اطمینان بالاتر، از هوش مصنوعی (AI) برای کمک استفاده می‌ شود. زیرا تغییرات کوچک را می‌ توان خیلی سریع تجزیه و تحلیل کرد. مهندسان و مدیران تعمیر و نگهداری از هوش مصنوعی برای کمک به PdM برای تقلید از رفتار انسان، از جمله تصمیم‌ گیری، استفاده می کنند.

IIoT و هم افزایی تکنولوژیکی

اطلاعات حسی از سیستم را می توان از طریق الگوریتم های ماشین لرنینگ (ML) با استفاده از نرم افزارهای تحلیلی پیشرفته تجزیه و تحلیل کرد. ML از روش های آماری (ریاضیات) برای کمک به ماشین ها در یادگیری از طریق تجربه (مشاهده تجربی) استفاده می کند. ماشین مفاهیمی را از این الگوها در داده ها توسعه می دهد، به این معنی که ML به رایانه ها توانایی یادگیری بدون برنامه ریزی صریح را می دهد. حسگرها، AI/ML و نرم افزارهای تخصصی، انجام اقدامات تعمیر و نگهداری اصلاحی پیشگیرانه خودکار را امکان پذیر می کنند.

اقلام صنعتی، از جمله موتورها، گیربکس ها، کمپرسورها، توربین‌ ها و موارد مشابه را می‌ توان برای اطلاعاتی مانند دما، ارتعاش، رطوبت، صدا و سطوح نویز و یا سرعت چرخشی یا خطی برای تشخیص سایش یا ناهنجاری‌ های ظاهری تشخیص داد.

تصویرگرهای حرارتی ممکن است برای تشخیص تشعشع از یک جسم با استفاده از ترموگرافی مادون قرمز (IR) استفاده شوند. چنین دوربین هایی ممکن است قادر به تشخیص ناهنجاری های دما باشند. اندازه گیری دمای خارج از حد معمول می تواند نشان دهنده یک نقص احتمالی باشد. دوربین‌ های IR باید در محل صحیح قرار گیرند و عموماً گران هستند. باید در مورد جایی که آنها بیشترین کمک را می کنند، توجه لازم صورت گیرد.

سنجش و نظارت صوتی ممکن است به تشخیص نشت کمک کند. از فناوری اولتراسونیک می توان برای تشخیص مسائل مکانیکی مانند اصطکاک یا استرس بار استفاده کرد. سنسورهای لرزش الگوهای ارتعاشی را دریافت می کنند که نشان دهنده سایش قطعات داخلی مانند یاتاقان ها و چرخ دنده ها است. همچنین می تواند اطلاعات مربوط به ناهماهنگی های چرخشی یا خطی را گزارش کند.

نتیجه

در صنایع، خانه‌ ها و شهرها، PdM از داده‌ های سنسور های جمع‌ آوری‌ شده استفاده می‌ کند تا به مهندسان کمک کند تا مشکلات را قبل از بروز مشکل اصلاح کنند. بدیهی است که PdM به شرکت‌ ها ادامه خواهد داد تا مزیت‌ هایی را که برای رسیدگی به سیستم‌ هایشان قبل از خرابی، شکست یا اجرای اشتباه نیاز دارند، فراهم کند. PdM به ارائه مزیت رقابتی مورد نیاز برای رویارویی با چالش های فردا کمک خواهد کرد.

فهرست مطالب

مقالات مرتبط
اینترنت اشیا و خودرو های برقی – کاربرد ها و چالش ها
اینترنت اشیا (IoT) چیست؟ هرانچه که باید بدانید
کارخانه هوشمند چیست؟ هر آنچه که باید بدانید
اینترنت اشیا چیست؟ هر آنچه که باید بدانید
پارکینگ هوشمند مبتنی بر اینترنت اشیا

اشتراک گذاری :

اشتراک گذاری در facebook
اشتراک گذاری در twitter
اشتراک گذاری در linkedin
اشتراک گذاری در whatsapp
اشتراک گذاری در telegram
اشتراک گذاری در email

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد.