Zastosowanie oprogramowania i czujników do przewidywania stanu maszyn. Jeśli wierzyć prognozom, do roku 2025 aż 27 miliardów urządzeń będzie połączonych z Internetem Rzeczy (Internet of Things — IoT). Marek Łukaszczyk, europejski dyrektor ds. marketingu w firmie WEG zajmującej się produkcją przekładni, wyjaśnia, jak w tym kontekście rysuje się przyszłość konserwacji silników przekładniowych.

Silniki przekładniowe to w świecie technologii napędów urządzenia wysokiej klasy, które muszą radzić sobie z olbrzymimi ilościami danych, dużymi mocami i wysokimi momentami obrotowymi. Zapewniają one właściwe sekwencje ruchów w maszynach i systemach, przyczyniając się do płynnej pracy linii produkcyjnych. Jeśli w silniku przekładniowym wystąpi awaria, to wywołany przez to efekt domina może być dla przedsiębiorstwa bardzo kosztowny.

W związku z oddziaływaniem dużych sił usterek często nie da się wykryć w porę i całe systemy zostają unieruchomione. Jest to potencjalnie szkodliwe, gdyż inne ważne elementy operacyjne także pozostają wówczas nieczynne aż do czasu wymiany przekładni.

Nie możemy znać przyszłości, możemy jednak ją przewidywać. Stosując strategię konserwacji predykcyjnej (Predictive Maintenance — PdM), personel techniczny może zbierać kluczowe dane, aby na ich podstawie identyfikować błędy w działaniu urządzeń. Informacje te mogą pomóc pracownikom usuwać problemy całe miesiące wcześniej, zanim doprowadzą one do potencjalnych awarii, co pozwala uniknąć przestojów, ogranicza nadmierne wydatki na konserwację i redukuje zagrożenia operacyjne. 

Bardziej inteligentna metoda konserwacji

PdM to technika, która wykorzystuje urządzenia monitorujące stan maszyn w celu oceny wydajności operacyjnej w czasie rzeczywistym. Łącząc diagnozę opartą na stanie sprzętu z wzorami predykcyjnymi, PdM tworzy precyzyjne narzędzie do gromadzenia i oceny danych.

Metoda ta opiera się na przewidywaniu przyszłości systemu i wskazywaniu potencjalnych awarii, które mogą wystąpić, oraz czynności konserwacyjnych, które należy podjąć. Podejście bazujące na danych wykorzystuje analizę predykcyjną i algorytmy oparte na danych w czasie rzeczywistym do identyfikacji konkretnych problemów — którym często nie towarzyszą żadne fizyczne oznaki uszkodzeń.

W niektórych przypadkach firmy mogą inwestować wiele zasobów i czasu w przeprowadzanie kontroli serwisowych, ale brak im danych, żeby wiedzieć, czy ta strategia jest skuteczna lub nawet czy rozwiązuje podstawowe problemy. Jest jednak lepszy sposób.