隨著組織實施工業物聯網 (IIOT) 系統進行生產控制，預測性維護 (PdM) 正在成為趨勢。然而，實施具有成本效益和運營效率的 PdM 計劃需要考慮提供投資回報。此外，不應將 PdM 視為一種新的維護策略。

當針對關鍵設備時，PdM 有助于分層維護技術，提供工具來補充運行至故障、基于狀態和預防性策略。考慮到將 PdM 添加到您的維護庫的成本，使用適當的數據源是實現預期成本節約和生產力的關鍵。

主要 PdM 數據源

最有效的 PdM 程序由有限的傳感器輸入和在役運行數據組成。最常用的傳感器用于振動，但任何傳感器的有效使用都需要了解其優勢和局限性。其他監測和診斷技術可以提供細致入微的理解以幫助預測。了解要使用的數據源對于優化的 PdM 程序至關重要。

振動

振動傳感器有兩個限制。首先是使用基于微處理器的單通道穩態數據采集器；第二個是使用傳感器的有限應用。

盡管許多傳感器結合了第二個用于從轉速計輸入的通道，但大多數基于微處理器的儀器仍捕獲單通道數據。由于數據采集采用恒定的振動曲線，因此這一限制阻止了它們在變速設備或更復雜的應用中的使用。

單一狀態數據收集導致無法捕獲重要信息，例如負載或速度修改。此外，過濾器會移除瞬態信號或影響數據，盡管此類信號為異常和潛在故障提供了有用的線索。

除了這些限制之外，振動傳感器通常僅用于旋轉設備，即使它們的應用擴展到更復雜的機器。在“預測性維護簡介”中，R. Mobley 舉例說明了使用振動傳感器通過傳感器時域功能跟蹤液壓油缸上的瞬態。然后分析可以識別泄漏的密封件或刻痕的氣缸壁。

超聲波

超聲波和振動分析都分析噪聲，但由于在不同的頻率下工作，它們是互補的。振動分析發生在 1 赫茲 (Hz) 到 30,000 Hz 之間，而超聲波分析發生在 30,000 Hz 到 1 MHz 以上的噪聲頻率。

發現使用超聲波監測軸承的公司并不少見，其中振動監測是常態。這一決定可能是由于超聲波傳感器的成本較低。然而，超聲波不太適合這項任務，軸承或機器噪音要么低于監測的頻率，要么受到來自其他來源的類似頻率的影響。預測分析不會出現有意義的輸入，一些專家不建議將其用于軸承。

超聲波非常適合高頻噪聲，例如壓力或真空泄漏、高環境噪聲水平或通過孔口的介質的膨脹或收縮。

熱成像

熱成像系統監測物體發射的紅外能量并捕獲發射、反射和傳輸的能量。反射和傳輸的能量必須從原始數據中過濾出來才能對 PdM 有用。

有幾種熱成像選項，但對 PdM 有用的兩個是點輻射計和紅外成像。點輻射計監測機器上的單個點，例如齒輪箱軸承。當與其他監測技術（如振動或摩擦學）一起使用時，它可以關聯趨勢。

紅外成像用于更復雜的設備以掃描整個機器。該技術依賴于歷史圖像的存儲和調用，以供訓練有素且稱職的分析師進行解釋。需要更多的定性技能而不是定量技能，訓練有素的分析師必須補償每次掃描時改變圖像的變量。

正確應用，熱成像可以提醒電子、電氣和機械設備問題，包括傳遞或保留熱量的過程趨勢。

摩擦學

摩擦學是摩擦、潤滑和磨損的研究和應用。復雜而全面的科學、磨損顆粒分析和潤滑油分析對于 PdM 程序很有用。

這兩種技術都從在役設備的潤滑油樣本開始，通過磨損顆粒分析提供有關機器當前磨損狀態的信息。磨損顆粒使用光譜分析和鐵譜分析進行分析，并隨著時間的推移進行跟蹤，以了解磨損率并隔離可能的故障模式。

相比之下，潤滑油分析確定油是否適合繼續使用，預測合適的更換間隔。在全廠范圍內測量時，過早換油的成本是相當可觀的。相反，當潤滑油的潤滑性能下降時保持潤滑油不變會加速設備磨損并浪費能源。該分析還可以確定更適合該應用的潤滑劑。

至于局限性，摩擦學需要使用第三方實驗室，這會增加對每個油樣進行分析的持續成本。此外，抽樣制度可能會威脅到測試提供的價值。過濾后或從油藏中取樣可能無法表明油的真實狀況，顆粒被過濾或沉淀出來，而取樣衛生不佳可能會導致數據受到污染。

管理限制和摩擦學是一種出色的狀態監測和預防性維護技術。來自此類分析的數據有助于運營決策，并且當與其他 PdM 監控疊加時，可以全面了解機器健康狀況和可能的故障模式的趨勢。

要避免的數據源

選擇 PdM 傳感器和數據源的挑戰在于可用選擇的數量，使數據相關性成為您的首要考慮因素。我們已經談到不使用超聲波進行軸承監測，因為它不提供可操作的數據。這不相關。同樣，用于溫度監測的熱成像線掃描儀對 PdM 的用處不如點或成像系統。

然而，相關性也適用于數據源及其結構。如果您在生產連續性之后監控旋轉機械，則維護成本會膨脹，而沒有切實的投資回報。在工廠級別使用故障模式影響和關鍵性分析 ( FMECA )，然后針對每個已識別的關鍵設備，識別和排列對安全或生產至關重要的系統和子系統。通過確定對監控至關重要的區域，您可以快速縮小相關數據源和適當傳感器的選擇范圍。

結論

在基本設備上實施 PdM 有望提高可靠性并降低維護成本。但是，它并不能取代傳統的基于時間或基于狀態的維護任務；它只是增加了額外的分析和預測層。了解您的關鍵設備故障模式以及最合適的傳感器和數據源對于實現預期回報至關重要。