Condition Monitoring: Condition Based Maintenance & Predictive Maintenance

Condition Monitoring is de voorwaarde voor moderne onderhoudsmaatregelen in slimme industriële processen

In de tijd van Industrie 4.0 is het belangrijker dan ooit om te vertrouwen op slimme systemen die proactief handelen mogelijk maken en bijdragen aan het verhogen van de productie-efficiëntie.

Om ervoor te zorgen dat de termen „Condition Monitoring“, „Condition Based Maintenance” en „Predictive Maintenance“ voor u niet slechts abstracte modewoorden blijven, legt deze gids van Automation24 uit hoe deze concepten in de praktijk werken, hoe u ervan kunt profiteren en waarom u niet langer zou moeten wachten om uw industriële processen te optimaliseren en naar het volgende niveau te tillen.

Wat is Condition Monitoring?

Conditiebewaking omvat de Condition Monitoring van machines en systemen en is een essentiële basis van Industrie 4.0.

Dit is gebaseerd op de zogenaamde “digitale schaduw”, die kan worden gebruikt om de huidige conditie van een systeem virtueel te visualiseren. Dit komt doordat de digitale schaduw procesgegevens zijn die door machines worden gegenereerd terwijl ze in bedrijf zijn. Dit kunnen fysische parameters zijn zoals temperatuur, trillingen, oscillatie, druk, vochtigheid en elektrische signalen of zelfs de oliekwaliteit. Dit betekent dat de actuele status van deze machines op elk moment kan worden gecontroleerd en geanalyseerd. Meestal wordt de analyse in realtime of met vaste intervallen uitgevoerd.

Dit maakt het mogelijk om potentieel kritieke condities in een vroeg stadium te identificeren en passende maatregelen te nemen, zodat storingen en stilstandtijden systematisch kunnen worden voorkomen. Condition Monitoring is daarom een centraal element van moderne onderhoudsstrategieën.

Uit welke componenten bestaat Condition Monitoring?

Alle essentiële componenten voor gedegen Condition Monitoring zijn waarschijnlijk al aanwezig in uw huidige systemen. Dit kan er bijvoorbeeld als volgt uitzien:

1. gegevensregistratie: Sensoren detecteren relevante machine- en procesgegevens. Dit kunnen bijvoorbeeld de volgende zijn:

• Trillingssensoren: Waarschuwt voor machinetrillingen die afwijken van de norm.
• Inductieve sensor: Detecteert veranderingen in de afstanden tussen componenten met behulp van de schakelafstand voor vroegtijdige detectie van lagerslijtage.
• Ultrasone sensor: Geeft fouten in het proces aan als er geen geluidsreflectie is.

2. gegevensoverdracht: io-link en soortgelijke links zorgen voor continue communicatie.

3. programmeerbare logische controller (PLC): Levert de sensorgegevens aan het netwerk.

Wat zijn de voordelen van Condition Monitoring

Efficiënte Condition Monitoring biedt u tal van voordelen voor uw bedrijf, waaronder:

• Vroegtijdige opsporing van machineproblemen: Schade of slijtage wordt herkend voordat het tot dure storingen leidt
.
• Preventief wegnemen van de oorzaak: Nog voordat er schade optreedt, kan een defect onderdeel worden gerepareerd of vervangen.
• Slijtagevermindering: Proactief ingrijpen voorkomt ook slijtage aan andere machineonderdelen.
• Verhoogde efficiëntie: geoptimaliseerde onderhoudsintervallen voorkomen onnodig onderhoudswerk en verhogen de beschikbaarheid van de machine.
• Kostenreductie: Gerichte maatregelen minimaliseren dure reparaties en productiestilstand en verlagen de bedrijfs- en onderhoudskosten.
• Veiligheidswinst: Bewaking van gevoelige systeemonderdelen vermindert het risico op ongevallen.

Praktisch overzicht van algemene parameters voor Condition Monitoring

Wat is Predictive Maintenance (PdM)?

Condition Based Monitoring (CBM) biedt al een efficiënte basis voor het bewaken van de conditie van machines, maar Predictive Maintenance (PdM) gaat nog een stap verder en gebruikt de door CBM verzamelde gegevens in combinatie met meer geavanceerde analysemethoden om de optimale onderhoudstijd nauwkeurig te voorspellen.

„Predictive maintenance“ (PdM) staat voor ”Predictive Maintenance" en heeft als doel het tijdstip te voorspellen waarop onderhoud nodig is - voordat een acute storing optreedt en het industriële proces tot stilstand komt.

Bij periodiek onderhoud wordt het onderhoud op vaste tijden uitgevoerd, ongeacht de status van het systeem, wat meestal resulteert in onnodige stilstand. Terwijl reactief onderhoud pas actie onderneemt nadat kritische parameterafwijkingen zijn gedetecteerd of er al merkbare storingen zijn opgetreden, begint Predictive Maintenance eerder en voorkomt het proactief afwijkingen of zelfs storingen.

In vergelijking met traditionele onderhoudsstrategieën richt Predictive Maintenance zich niet op periodieke of reactieve onderhoudsmaatregelen, maar op preventieve onderhoudsmaatregelen.

Welke voordelen biedt Predictive Maintenance?

Omdat Predictive Maintenance een geavanceerde versie is van moderne onderhoudsstrategieën, is er een apart hoofdstuk gewijd aan de vele voordelen op korte en lange termijn.

• Geoptimaliseerd onderhoudsbeheer: Tijd als waardevolle hulpbron wordt nu uitsluitend gebruikt voor noodzakelijke, planbare onderhoudsintervallen - onverwachte storingen worden geëlimineerd. Als een sensor defect is, kan deze zelfs tijdens bedrijf worden vervangen dankzij moderne communicatietechnologieën zoals IO-Link , op voorwaarde dat er een identieke sensor voor in de plaats komt.
• Maximale productie-efficiëntie en machineprestaties: Vroegtijdige identificatie van afnemende machineprestaties en proactief onderhoud optimaliseren de prestaties en levensduur van de machines en minimaliseren stilstandtijden. De beschikbaarheid van de installatie wordt verhoogd en het procesresultaat blijft constant op een hoog kwaliteitsniveau.
• Verhoogde efficiëntie: Onderhoudskosten worden niet langer gemaakt voor plotselinge storingen, maar alleen voor gepland en kostenefficiënt onderhoud. Onnodige en kostbare procesonderbrekingen behoren tot het verleden.
• Verhoogde veiligheid: Vroegtijdige reparaties van defecte systeemcomponenten voorkomen potentieel gevaarlijke machinefouten, waardoor veiligheidskritieke situaties worden voorkomen en zowel machines als gebruikers worden beschermd.

De parametergegevens worden verzonden naar lokale edge computing apparaten of naar gecentraliseerde cloud systemen, waar ze worden verzameld en verwerkt met behulp van innovatieve analysetools zoals moneo. Hierdoor kunnen storingen in een vroeg stadium worden voorspeld en passende onderhoudsmaatregelen worden gepland.

Door het gebruik van big data, machine learning en kunstmatige intelligentie (voor Kl) leren de analysetools voortdurend van de verzamelde gegevens en leveren meer en nauwkeurigere voorspellingen. Met behulp van geavanceerde datamodellering worden in de loop van de tijd patronen en correlaties afgeleid uit deze grote hoeveelheden gegevens, waardoor storingen en onderhoudsvereisten in een vroeg stadium kunnen worden vastgesteld. Als gevolg hiervan passen de aanvankelijk door het algoritme berekende waarschijnlijkheden van storingen zich aan veranderende omstandigheden aan en worden ze dienovereenkomstig berekend. Op deze manier zijn de voorspellingen altijd gebaseerd op de actuele omstandigheden.

Daarnaast kunnen gebruikers actief bijdragen aan het “aanleren” van de analysetool door de analyse- en voorspellingsmodellen te verrijken met geannoteerde gegevens en specifieke feedback. Geannoteerde gegevens bevatten belangrijke aanvullende informatie, zoals stilstandtijden of bedrijfstoestanden, die helpen om de nauwkeurigheid van het model verder te verhogen.

Om onderhoudsmaatregelen echt “voorspellend” te laten zijn, is het essentieel dat de gegevens in realtime worden doorgegeven. Hier komen geavanceerde technologieën zoals links om de hoek kijken, die naadloze communicatie tussen sensoren, actuatoren en controllers mogelijk maken. Deze zorgen ervoor dat alle relevante gegevens snel en betrouwbaar worden verwerkt, zodat onderhoud kan worden uitgevoerd nog voordat er storingen optreden.

Naast de voorspelling van storingen, die gebaseerd is op de parameters die door analysetools worden verwerkt, kunnen ook “digitale tweelingen” worden gebruikt - virtuele beelden of modellen van machines en systemen die hun status en functionaliteit in realtime simuleren.

Het gebruik van een geautomatiseerd onderhoudsbeheersysteem (CMMS) is geschikt voor het beheren en plannen van de onderhoudsmaatregelen die zijn afgeleid van de voorspellingen en simulaties. Met dit systeem kunnen onderhoudsacties efficiënt worden gepland, geprioriteerd en gedocumenteerd, waardoor de handling en transparantie van het hele onderhoudsproces worden geoptimaliseerd.

Verschil tussen Condition Monitoring, toestandsafhankelijk onderhoud en Predictive Maintenance

Mensen vragen vaak naar de verschillen tussen „Condition Monitoring”, „Condition Based Maintenance" en "Predictive Maintenance” gefragt.

“Conditiebewaking” is de zuivere Condition Monitoring van machines. De respectievelijke onderhoudsstrategieën “toestandsafhankelijk onderhoud” en “predictief onderhoud” maken vervolgens gebruik van deze gegevens. De strategieën verschillen afhankelijk van het feit of het onderhoud vervolgens wordt gepland op basis van deze gegevens (CBM) of dat de gegevens worden verwerkt door software, algoritmen of voor Kl. Het doel van beide benaderingen is om te reageren voordat zich een probleem voordoet.

Ter illustratie vindt u hieronder een vergelijking van de twee onderhoudsstrategieën:

Hoe gebruik je Condition Monitoring?

Voor een soepele bewaking van uw machines en systemen zijn een aantal technische vereisten nodig, maar in veel gevallen zijn deze eenvoudig te implementeren. In veel gevallen beschikken reeds geïnstalleerde componenten al over de vereiste functionaliteiten en worden ze alleen nog niet overeenkomstig gebruikt. Als dit niet het geval is, legt Automation24 de technische basisprincipes van Condition Monitoring vanaf het begin uit.

Wat zijn de technische basisprincipes van Condition Monitoring?

1. Sensoren: De basis van elke Condition Monitoringsoplossing wordt gevormd door sensoren van hoge kwaliteit die belangrijke parameters zoals temperatuur, trillingen, druk of vochtigheid in real-time meten. Trillingssensoren kunnen bijvoorbeeld minimale afwijkingen van de doelwaarden detecteren die wijzen op onbalans, lagerproblemen of het begin van materiaalmoeheid. Deze worden aangevuld met temperatuursensoren. Deze herkennen plotselinge oververhitting en schade aan motoren of tandwielkasten en kunnen dit dus voorkomen.
2. Data-analyse: De gedetecteerde gegevens worden direct doorgestuurd naar een centraal data-analyseplatform, waar ze worden geanalyseerd met behulp van moderne algoritmen. Deze algoritmen identificeren patronen en afwijkingen die voor een menselijke waarnemer nauwelijks herkenbaar zouden zijn. Hierdoor ontstaat een uitgebreid beeld van de toestand van de machine, wat Predictive Maintenance mogelijk maakt en onverwachte storingen tot een minimum beperkt.

IoT, digitalisering en real-time gegevensoverdracht

Digitalisering heeft Condition Monitoring naar een heel nieuw niveau getild. Dankzij de integratie van het Internet of Things (IoT) kunnen gegevens uit verschillende bronnen worden samengevoegd en in realtime worden geanalyseerd. Een voorbeeld: Met behulp van IoT-enabled trillingssensoren worden meetwaarden via een lokaal netwerk of de cloud direct doorgestuurd naar een centrale besturingseenheid. Daar zijn de gegevens onmiddellijk beschikbaar voor verdere verwerking.

De real-time gegevensoverdracht is een belangrijk aspect van moderne Condition Monitoringssystemen. Het zorgt ervoor dat machineoperators altijd op de hoogte zijn van de actuele status van hun systemen. Hiervoor worden technologieën zoals 5G-netwerken en LPWAN (Low Power Wide Area Networks) gebruikt, die betrouwbare communicatie mogelijk maken, zelfs met een groot aantal sensoren en over lange afstanden.

Gegevensanalyse: hoe intelligente monitoring werkt

De gegevensanalyse is de kern van een Condition Monitoringssysteem. Hier komt alle informatie samen die door de sensoren is gedetecteerd. Maar hoe werkt dit proces nauwkeurigheid?

Eerst worden de gegevens verzameld en voorbewerkt. Ruwe gegevens worden gefilterd en genormaliseerd om ze geschikt te maken voor verdere analyse. Trillingssensoren kunnen bijvoorbeeld duizenden meetpunten per seconde leveren. De voorbewerking verwijdert irrelevante gegevens zoals omgevingsgeluid, zodat alleen de echt relevante informatie wordt doorgestuurd.

In de volgende stap worden de opgeschoonde gegevens geanalyseerd met behulp van kunstmatige intelligentie (voor Kl) en machine learning (ML). Algoritmes identificeren patronen die duiden op een mogelijke fout. Een model voor Kl zou bijvoorbeeld kunnen herkennen dat een voortdurend toenemende trilling duidt op een defect aan een lager - zelfs weken voordat het defect daadwerkelijk optreedt! Voorspellend onderhoud biedt u dus betrouwbare ondersteuning en beschermt u lengte van tevoren tegen machinestoringen.