Transformasi Pemeliharaan dengan Sensor IoT: Keunggulan Prediktif

 

Pemeliharaan sedang berubah. Dengan cepat.

Pemeliharaan prediktif berkembang hampir setiap jam.

Sama seperti resto dunia, pemeliharaan menjadi terhubung dan saling terhubung sekaligus. Sensor menyebar jauh dan luas di seluruh lanskap industri dengan kecepatan yang memukau.

Volt, ampere, dan nol serta satu mengalir maju mundur melalui jutaan dan triliunan kabel dan koneksi nirkabel – menyampaikan data, informasi, dan nilai ke organisasi modern yang menuntut keunggulan operasional.

Internet of Things (IoT) kini telah berindustri (IIoT) dan menggerakkan revolusi industri ke-4 – industry 4.0 – di depan mata kita.

Internet of Things adalah visi di mana setiap objek di dunia memiliki potensi untuk terhubung ke internet dan menyediakan data mereka untuk menghasilkan wawasan yang dapat ditindaklanjuti sendiri atau melalui objek terhubung lainnya. Enterprise IoT: A Definitive Handbook by N. Balani

 

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

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

Dan sensor IoT adalah kunci dari kecerdasan itu.

Kecerdasan pemeliharaan berada dalam jangkauan organisasi Anda.

Di mana Anda memulai dengan IIoT?

Baik Anda produsen kecil bir craft populer atau pabrik petrokimia multinasional, sensor IoT dan pemeliharaan prediktif (PdM) kini dapat diakses. Mereka bukan lagi milik besar, global, dan kaya tunai.

Hardware dan perangkat lunak terjangkau dan dapat diakses oleh semua orang.

Jika Anda organisasi yang intensif aset yang mencari pengambilan keputusan cerdas dan analisis data real-time, maka mulai perjalanan itu ke pemeliharaan prediktif. Keunggulan kompetitif akan menjadi milik Anda. McKinsey* menyatakan bahwa pada 2025, dampak ekonomi positif IoT pada pabrik AS akan berada antara $1,2 dan $3,7 triliun dolar.

Dan itu sulit diabaikan.

Kenaikan stabil 'pemeliharaan prediktif' di Google Trends.

 

Pemeliharaan prediktif – juga dikenal sebagai pemantauan kondisi – memiliki teknik dan teknologi kunci tertentu yang memungkinkan analisis real-time dari kesehatan dan kondisi aset. Mereka dapat mendeteksi dan mendiagnosis masalah aset dan peralatan yang akan datang bagi organisasi Anda, memberikan wawasan yang dapat ditindaklanjuti dan prognosis dari sisa umur berguna sistem, aset, atau komponen.

Dan Anda tahu artinya?

Anda sudah mengerti!

Tujuan utama pengiriman nilai dalam manajemen aset: mengurangi risiko organisasi dan biaya serta meningkatkan performa aset.

 

Teknologi dan Sensor Pemeliharaan Prediktif IoT Kunci

Ada 5 teknologi kunci dalam pemeliharaan prediktif.

Sementara teknologi proaktif ini memiliki berbagai jenis sensor dan perangkat pemantauan real-time, mereka semua menyediakan IIoT dan Industry 4.0 dan mars tak terelakkan menuju dunia digital dan saling terhubung.

Analisis Getaran

Teknologi ini adalah all-rounder terbaik. Ini mencakup banyak masalah aset potensial dan paling cocok untuk peralatan berputar.

Anda mungkin memiliki banyak itu, kan?

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

Keparahan getaran ditampilkan dan dapat berubah dari waktu ke waktu.

Ketika tingkat getaran meningkat dan melampaui tingkat alarm yang ditetapkan, ini sering menunjukkan kerusakan aset atau komponen.

Dan konsekuensi serius dapat mengikuti tanpa intervensi pemeliharaan.

Kesalahan umum yang dapat dideteksi dengan analisis getaran meliputi:

• Ketidakseimbangan
• Kesetengahnya
• Resonansi
• Aus bearing
• Kerusakan gigi gear
• Kavitasi

Tapi daftar lengkapnya dapat luas.

 

Sumber: www.emerson.com

 

Tahap awal ini adalah tahap deteksi. Itu semua tentang mendapatkan peringatan awal dari teknologi. Algoritma perangkat lunak kemudian akan membantu mengidentifikasi modus kegagalan spesifik karena masing-masing akan memiliki tanda tangan getaran atau frekuensi uniknya – ini adalah tahap diagnosis. Model prediktif kemudian akan membantu dalam tahap prognosis. Ini untuk menentukan sisa umur berguna komponen.

 

Termografi Inframerah

Pengcitraan termal memanfaatkan elektronika kamera canggih untuk 'melihat' dan mengukur panjang gelombang yang lebih lama dari spektrum elektromagnetik. Di sinilah kita dapat 'melihat' panas atau energi termal yang dipancarkan dari objek apa pun. Di organisasi Anda, ini bisa menjadi pompa, motor, tabung, boiler, bangunan, tangki, mesin, atau apa pun!

Perubahan suhu sering menjadi indikator yang sangat baik dari kegagalan yang akan datang atau proses yang gagal.

Termografi inframerah dapat mendeteksi berbagai masalah dan modus kegagalan. Ini mungkin meliputi:

• Kegagalan kabel listrik / isolasi
• Koneksi dan sambungan listrik longgar
• Kebocoran gas
• Beban tidak seimbang
• Manifold panas berlebih
• Isolasi rusak atau hilang
• Refraktori aus
• Bearing aus
• Kesetengahnya coupling
  

Sumber: www.novatestpro.com

 

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

Analisis Minyak

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

Ketiga area ini mungkin memerlukan sensor terpisah atau terintegrasi sebagian, tetapi memantau kondisi minyak dapat berarti perbedaan antara downtime yang luas dan produksi penuh pada sistem kritis.

Pelumas adalah darah vida aset berputar, dan ketika darahnya rusak... aset tidak akan terlalu jauh di belakang.

Sumber: www.ph.parker.com

 

Analisis minyak dapat menyoroti banyak modus kegagalan, termasuk yang berikut:

• Bearing aus
• Kerusakan gigi gear
• Additif pelumas yang habis
• Viskositas minyak rendah
• Masuknya bahan bakar
• Varnishing
• Masuknya kotoran
• Kontaminasi air

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

Ingat, minyak adalah darah vida.

Jaga baik-baik.

Analisis Tanda Tangan Arus Motor

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

Tapi mengingat aset ini begitu melimpah dan universal di semua industri, ada nilai inherent dalam menjamin keandalan dan ketersediaannya.

Jika tidak berputar, maka roda industri tidak berputar.

 

Bagi insinyur, pengenalan tanda tangan kesalahan arus motor akan memerlukan tingkat keahlian dan pengalaman yang besar, tetapi alat MCSA modern mengatasi itu. Sistem online menyampaikan interpretasi otomatis menggunakan algoritma kecerdasan buatan yang canggih yang mendeteksi dan mendiagnosis kegagalan yang akan datang dalam motor induksi AC dan pompa. www.semioticlabs.com

 

MCSA menggunakan pengukuran arus motor (dan tegangan) untuk mendeteksi berbagai modus kegagalan atau kesalahan dalam tegangan pasokan, dan komponen motor seperti stator, rotor, dan kotak terminal.

Sumber: www.signaguard.com

 

Ultrasonik

Teknologi ini dapat mendeteksi emisi ultrasonik udara dan struktur. Ini tidak dapat didengar oleh manusia dan biasanya ditemukan di atas 20kHz dalam frekuensi. Berkat elektronika canggih, suara ini dapat diheterodyn dan didengar oleh manusia dan memungkinkan kita mendengar gesekan mekanis, turbulensi, dan dampak.

Ultrasonik memiliki berbagai aplikasi dan dapat mendeteksi banyak modus kegagalan, termasuk:

• Corona & arking listrik
• Deteksi kebocoran
• Klep rusak
• Kontak listrik bergetar
• Bearing aus
• Cacat gigi gear
• Kurang pelumasan
• Tangga uap rusak

 

Sumber: www.uesystems.com

 

Ini sangat cocok untuk deteksi kesalahan tahap awal dalam bearing elemen bergulir.

Dalam hal aplikasi IIoT di industri, sensor ultrasonik paling umum digunakan untuk mendeteksi cacat struktur-bawa. Ini berarti mereka paling sering digunakan untuk mendeteksi masalah bearing umum: balur rusak, bola atau roller cacat, kurang pelumasan, dan kelelahan.

Ringkasan ini tentang teknologi dan sensor pemeliharaan prediktif IIoT kunci telah menunjukkan bahwa ada beberapa opsi untuk memberikan organisasi kita keunggulan kompetitif dalam lanskap pemeliharaan yang berubah cepat.

Jika kita ingin membuat keputusan cerdas dan berbasis data tentang intervensi pemeliharaan kita, maka kita dapat melakukannya!

Konektivitas dan masa depan pemeliharaan prediktif berada dalam jangkauan kita.

Baca selanjutnya: Panduan komprehensif IIoT di Pemeliharaan

 

* https://www.mckinsey.com/business-functions/mckinsey-digital/our-insights/the-internet-of-things-the-value-of-digitizing-the-physical-world#