Sensor IoT dalam Pemeliharaan

Pemeliharaan berubah. Dengan cepat.

Pemeliharaan prediktif berkembang hampir setiap jam.

Sama seperti bagian dunia lainnya, pemeliharaan menjadi terhubung dan saling berhubungan sekaligus. Sensor menyebar jauh dan luas di seluruh lanskap industri dengan kecepatan tinggi.

Volt, amp, dan nol dan satu mengalir bolak-balik melalui jutaan dan triliunan kabel dan koneksi nirkabel - mengirimkan data, informasi, dan nilai untuk organisasi modern yang menuntut keunggulan operasional.

Internet of things (IoT) kini telah menjadi industri (IIoT) dan mendorong ke-4 revolusi industri – industri 4.0 – di depan mata kita.

Internet of Things adalah visi dimana setiap objek di dunia memiliki potensi untuk terhubung ke internet dan memberikan data mereka untuk memperoleh wawasan yang dapat ditindaklanjuti sendiri atau melalui objek lain yang terhubung. Enterprise IoT:A Definitive Handbook oleh N. Balani

Pemeliharaan tradisional berkembang menjadi strategi yang terinformasi, berbasis data, digital, dan dinamis di mana keputusan cerdas dibuat pada kesehatan dan kinerja aset – bukan hanya tebak-tebakan, asumsi, atau rekomendasi vendor .

Data aset penting dikirim ke algoritme pembelajaran mesin, model prediktif, dan perangkat lunak berbasis cloud, yang mengotomatiskan proses pengambilan keputusan cerdas dan yang, pada akhirnya, meningkatkan peluang Anda untuk keandalan dan ketersediaan aset yang tinggi.

Dan sensor IoT adalah kunci kecerdasan itu.

Kecerdasan pemeliharaan ada dalam jangkauan organisasi Anda.

Dari mana Anda memulai IIoT?

Apakah Anda adalah produsen kecil bir kerajinan populer atau pabrik petrokimia multi-nasional, sensor IoT dan pemeliharaan prediktif (PdM) kini dapat diakses. Mereka tidak lagi menjadi milik perusahaan besar, global, dan kaya uang.

Perangkat keras dan lunak terjangkau dan dapat diakses oleh semua orang.

Jika Anda adalah organisasi intensif aset yang mencari pengambilan keputusan yang cerdas dan analisis data waktu nyata, maka mulailah perjalanan itu ke pemeliharaan prediktif. Keunggulan kompetitif akan menjadi milik Anda. McKinsey* menyatakan bahwa pada tahun 2025, dampak ekonomi positif dari IoT di pabrik-pabrik AS akan berkisar antara $1,2 dan $3,7 triliun dolar.

Dan itu sulit untuk diabaikan.

Peningkatan stabil 'pemeliharaan prediktif' di Google Trends.

Pemeliharaan prediktif – juga dikenal sebagai pemantauan kondisi – memiliki teknik dan teknologi utama tertentu yang memungkinkan analisis kondisi dan kesehatan aset secara real-time. Mereka dapat mendeteksi dan mendiagnosis masalah aset dan peralatan yang akan datang untuk organisasi Anda, memberikan wawasan yang dapat ditindaklanjuti dan prognosis tentang sisa masa manfaat sistem, aset, atau komponen.

Dan Anda tahu apa artinya?

Anda mengerti!

Tujuan utama penyampaian nilai dalam manajemen aset:mengurangi risiko organisasi dan biaya dan tingkatkan kinerja aset .

Teknologi dan Sensor Pemeliharaan Prediktif Utama IoT

Ada 5 teknologi utama dalam pemeliharaan prediktif.

Meskipun teknologi proaktif ini memiliki berbagai jenis sensor dan perangkat pemantauan waktu nyata, semuanya cocok untuk IIoT dan Industri 4.0 dan langkah yang tak terhindarkan menuju dunia digital dan saling terhubung.

Analisis Getaran

Teknologi ini adalah serba terbaik . Ini mencakup banyak masalah aset potensial dan paling cocok untuk peralatan yang berputar.

Anda mungkin punya banyak itu , kan?

Ini adalah teknologi PdM matang yang menggunakan sensor akselerometer untuk mengukur tingkat getaran aset. Sensor dapat mengirim sinyal kembali ke server melalui kabel terprogram, atau secara nirkabel melalui jaringan seluler atau Wi-Fi.

Keparahan getaran sedang tren dan dapat berubah seiring waktu.

Bila tingkat getaran meningkat dan melanggar tingkat alarm yang telah disetel sebelumnya, hal ini sering kali menunjukkan penurunan kualitas aset atau komponen.

Dan konsekuensi serius dapat terjadi tanpa intervensi pemeliharaan.

Cacat umum yang dapat dideteksi dengan analisis getaran meliputi:

• Ketidakseimbangan
• Misalignment
• Resonansi
• Keausan bantalan
• Kerusakan gigi gir
• Kavitasi

Tetapi daftar lengkapnya bisa sangat luas.

Sumber:www.emerson.com

Fase awal ini adalah deteksi fase. Ini semua tentang mendapatkan peringatan dini dari teknologi. Algoritme perangkat lunak kemudian akan membantu mengidentifikasi mode kegagalan tertentu karena masing-masing akan memiliki tanda atau frekuensi getaran uniknya sendiri – ini adalah diagnosis fase. Model prediktif kemudian akan membantu dalam fase prognosis. Ini untuk menentukan sisa masa manfaat komponen.

Termografi Inframerah

Pencitraan termal memanfaatkan elektronik kamera canggih untuk 'melihat' dan mengukur panjang gelombang spektrum elektromagnetik yang lebih panjang. Di sinilah kita bisa 'melihat' panas atau energi panas yang dipancarkan dari segala jenis objek. Di organisasi Anda, ini bisa berupa pompa, motor, kapal, ketel, gedung, tangki, mesin, atau apa pun!

Perubahan suhu sering kali merupakan indikator yang sangat baik untuk kegagalan yang akan datang atau proses yang gagal.

Termografi inframerah dapat mendeteksi berbagai masalah dan mode kegagalan. Ini mungkin termasuk:

• Kegagalan kabel listrik / isolasi
• Sambungan &sambungan listrik longgar
• Pelepasan gas
• Pemuatan tidak seimbang
• Manifold yang terlalu panas
• Isolasi rusak atau hilang
• Refraktori usang
• Bantalan yang aus
• Ketidaksejajaran kopling
  

Sumber:www.novatestpro.com

Meskipun dulunya merupakan opsi PdM yang mahal, sekarang terjangkau, lebih kecil, dan lebih mudah digunakan. Konektivitas ke IIoT sekarang mudah dicapai bersama dengan pemantauan online yang konstan dari berbagai sistem dan aset industri.

Analisis Oli

Selain digunakan untuk gemuk, teknologi PdM ini terutama digunakan untuk menilai kondisi cairan minyak pelumas, kontaminan eksternal, dan partikel keausan komponen internal.

Ketiga area ini mungkin memerlukan sensor yang terpisah atau terintegrasi sebagian, tetapi memantau kondisi oli dapat berarti perbedaan antara waktu henti yang ekstensif dan produksi penuh pada sistem kritis.

Pelumas adalah darah kehidupan aset berputar, dan ketika darah memburuk ... aset tidak akan jauh di belakang.

Sumber:www.ph.parker.com

Analisis oli dapat menyoroti banyak mode kegagalan, termasuk yang berikut:

• Bantalan yang aus
• Kerusakan gigi gir
• Aditif pelumas habis
• Viskositas oli rendah
• Masukan bahan bakar
• Varnishing
• Kotoran masuk
• Kontaminasi air

Ada beberapa jenis sensor analisis oli online yang dapat digunakan organisasi Anda saat mengembangkan pendekatan IoT-nya. Ini termasuk sensor kesehatan oli, sensor inframerah tampak-dekat, dan detektor partikel optik.

Ingat, minyak adalah darah kehidupan.

Peliharalah.

Analisis Tanda Tangan Arus Motor

MCSA terutama berfokus pada pemantauan kesehatan dan kondisi motor induksi AC.

Tetapi mengingat bahwa aset ini sangat melimpah dan ada di mana-mana di semua industri, ada nilai yang melekat dalam memastikan keandalan dan ketersediaannya.

Jika mereka tidak berputar, maka roda industri tidak akan berputar.

Untuk insinyur, pengenalan kesalahan arus motor tanda tangan akan membutuhkan tingkat keahlian dan pengalaman yang cukup besar, tetapi alat MCSA modern menanganinya. Sistem online memberikan interpretasi otomatis menggunakan algoritme kecerdasan buatan canggih yang mendeteksi dan mendiagnosis kegagalan yang akan segera terjadi pada motor dan pompa induksi AC. www.semioticlabs.com

MCSA menggunakan pengukuran arus (dan tegangan) motor untuk mendeteksi berbagai mode kegagalan atau kesalahan pada tegangan suplai, dan komponen motor seperti stator, rotor, dan kotak terminal.

Sumber:www.signaguard.com

Ultrasound

Teknologi ini dapat mendeteksi emisi ultrasound di udara dan di struktur. Ini tidak terdengar oleh manusia dan umumnya ditemukan di atas frekuensi 20kHz. Berkat elektronik canggih, suara-suara ini dapat di-heterodyne dan dibuat terdengar oleh manusia serta memungkinkan kita mendengar gesekan mekanis, turbulensi, dan benturan.

Ultrasound memiliki berbagai aplikasi dan dapat mendeteksi banyak mode kegagalan, termasuk:

• Electrical corona &arcing
• Deteksi kebocoran
• Katup rusak
• Obrolan kontak listrik
• Bantalan aus
• Cacat gigi gir
• Kurangnya pelumasan
• Perangkap uap rusak

Sumber:www.uesystems.com

Sangat cocok untuk deteksi kesalahan tahap awal pada bantalan elemen gelinding.

Dalam hal aplikasi IIoT di industri, sensor ultrasound yang paling umum digunakan untuk mendeteksi cacat bawaan struktur. Ini berarti mereka paling sering digunakan untuk mendeteksi masalah bantalan yang umum:raceways yang rusak, bola atau roller yang rusak, kurangnya pelumasan, dan kelelahan.

Ikhtisar tentang teknologi dan sensor pemeliharaan prediktif utama IIoT ini menunjukkan kepada kami bahwa ada beberapa opsi untuk memberikan keunggulan kompetitif bagi organisasi kami dalam lanskap pemeliharaan yang berubah dengan cepat.

Jika kita ingin membuat keputusan berdasarkan data dan cerdas tentang intervensi pemeliharaan kita, maka kita bisa melakukannya!

Konektivitas dan masa depan pemeliharaan prediktif berada dalam jangkauan kami.

Baca selanjutnya:Panduan komprehensif untuk IIoT dalam Pemeliharaan

* https://www.mckinsey.com/business-functions/mckinsey-digital/our-insights/the-internet-of-things-the-value-of- mendigitalkan-dunia-fisik#