Bảo trì dự đoán, (Predictive maintenance), là gì?

Nguồn: Wikipedia

Xem thêm:

Bảo trì dựa trên tình trạng CBM (Condition-Based Mainienance)

Bảo trì dựa trên tình trạng (Condition-based maintenance CBM) là gì?

Bảo trì tập trung vào độ tin cậy RCM: 9 nguyên tắc của chương trình bảo dưỡng phòng ngừa hiện đại (Full).

Bảo trì dự đoán, được thiết kế để giúp xác định tình trạng của thiết bị đang sử dụng, nhằm ước tính thời điểm bảo trì nên được thực hiện. Cách tiếp cận này, hứa hẹn tiết kiệm chi phí, so với bảo trì phòng ngừa định kỳ, hoặc dựa trên thời gian, bởi vì các nhiệm vụ chỉ được thực hiện khi đã chắc chắn. Vì vậy, nó được coi là bảo trì dựa trên tình trạng được thực hiện, khi được đề xuất bởi các ước tính, về trạng thái xuống cấp của một hạng mục. Từ dự báo của bảo trì dự đoán, cho phép chúng ta lên kế hoạch và lich trình cho việc Bảo trì phục hồi thuận tiện, và ngăn ngừa các hỏng hóc không mong muốn của thiết bị. Điều quan trọng là, "tuổi thọ của thiết bị phù hợp, tăng cường độ an toàn của nhà máy, ít tai nạn có tác động tiêu cực đến môi trường, và quản lý phụ tùng thay thế được tối ưu hóa.

Bảo trì dự đoán khác với bảo trì phòng ngừa, vì nó dựa vào tình trạng thực tế của thiết bị, chứ không phải số liệu thống kê về tuổi thọ trung bình, hoặc dự kiến, để dự đoán khi nào cần bảo trì. Thông thường, các phương pháp tiếp cận Máy học, (Machine Learning), được áp dụng, để xác định tình trạng thực tế của hệ thống, và để dự báo các trạng thái trong tương lai của nó.

Một số thành phần chính cần thiết, để thực hiện bảo trì dự đoán là, thu thập, và xử lý trước dữ liệu, phát hiện lỗi sớm, phát hiện lỗi, dự đoán thời gian xảy ra lỗi, lên lịch bảo trì, và tối ưu hóa tài nguyên. Bảo trì dự đoán cũng được coi là một trong những động lực để cải thiện năng suất, và là một trong những cách, để đạt được sự "kịp thời, Just in time" trong sản xuất.

Bản chất và mức độ hư hỏng của nhựa đường được phân tích, để dự đoán việc bảo trì đường bộ.

Tổng quan về bảo trì dự đoán

Giám sát tình trạng thiết bị định kỳ, (ngoại tuyến, offline), hoặc liên tục, (trực tuyến, online). Mục tiêu cuối cùng của phương pháp này, là thực hiện bảo trì tại một thời điểm đã lên lịch, khi hoạt động bảo trì có hiệu quả nhất về chi phí, và trước khi thiết bị mất hiệu suất trong một ngưỡng vận hành. Điều này dẫn đến giảm chi phí thời gian ngừng hoạt động ngoài kế hoạch do hỏng hóc, trong đó chi phí có thể lên đến hàng trăm nghìn đô la mỗi ngày, tùy thuộc vào ngành sản xuất. Trong sản xuất năng lượng, ngoài việc mất doanh thu, và chi phí thành phần, có thể bị phạt nếu không giao hàng, làm tăng chi phí hơn nữa. Điều này trái ngược với bảo trì dựa trên thời gian vận hành, trong đó, một thiết bị, được bảo trì cho dù nó có cần hay không. Bảo trì theo thời gian tốn nhiều công sức, không hiệu quả, trong việc xác định các vấn đề phát sinh, giữa các lần kiểm tra theo lịch trình, và do đó không hiệu quả về mặt chi phí.

“Dự đoán", predictive, của bảo trì dự đoán, bắt nguồn từ mục tiêu dự đoán xu hướng tương lai của tình trạng thiết bị. Cách tiếp cận này, sử dụng các nguyên tắc kiểm soát quá trình thống kê, để xác định thời điểm thích hợp, của các hoạt động bảo trì trong tương lai.

Hầu hết các kiểm tra dự đoán, được thực hiện trong khi thiết bị đang hoạt động, do đó giảm thiểu sự gián đoạn hoạt động bình thường của hệ thống. Việc áp dụng bảo trì dự đoán, có thể tiết kiệm đáng kể chi phí, và độ tin cậy của hệ thống cao hơn.

Bảo trì lấy độ tin cậy làm trung tâm, nhấn mạnh việc sử dụng các kỹ thuật bảo trì dự đoán, bên cạnh các biện pháp phòng ngừa truyền thống. Khi được triển khai đúng cách, nó cung cấp cho các công ty một công cụ, để đạt được chi phí tài sản ròng thấp nhất, cho một mức hiệu suất, và rủi ro nhất định.

Một mục tiêu là chuyển dữ liệu bảo trì dự đoán, sang hệ thống quản lý bảo trì được vi tính hóa, để dữ liệu tình trạng thiết bị, được gửi đến đúng đối tượng thiết bị, để kích hoạt lập kế hoạch bảo trì, thực hiện tạo phiếu công việc, và báo cáo. Trừ khi đạt được điều này, giải pháp bảo trì dự đoán có giá trị hạn chế, ít nhất, là nếu giải pháp được thực hiện trên một nhà máy quy mô vừa đến lớn, với hàng chục nghìn thiết bị. Vào năm 2010, công ty khai khoáng Boliden, đã triển khai kết hợp Hệ thống điều khiển phân tán, (DCS), và giải pháp bảo trì dự đoán, được tích hợp với hệ thống quản lý bảo trì bằng máy tính, (CMMS), của nhà máy ở cấp độ đối tượng tới đối tượng (object to object level), truyền dữ liệu thiết bị bằng các giao thức, như HART, IEC 61850, và OLE, cho kiểm soát quá trình.

Các công nghệ sử dụng cho bảo trì dự đoán

Để đánh giá tình trạng thiết bị, bảo trì dự đoán sử dụng các công nghệ kiểm tra không phá hủy, như hồng ngoại, âm thanh (phóng điện cục bộ, và siêu âm trong không khí), phát hiện hồ quang, phân tích rung động, đo mức âm thanh, phân tích dầu và các kiểm tra trực tuyến cụ thể khác. Một cách tiếp cận mới trong lĩnh vực này, là sử dụng các phép đo trên thiết bị thực tế, kết hợp với phép đo hiệu suất quá trình, được đo bằng các thiết bị khác, để kích hoạt bảo trì thiết bị. Điều này chủ yếu có sẵn trong các hệ thống tự động hóa quy trình hợp tác, (CPAS). Các phép đo tại địa điểm, thường được hỗ trợ bởi mạng cảm biến không dây, để giảm chi phí đi dây.

Phân tích rung động

Phân tích rung động hiệu quả nhất trên thiết bị quay tốc độ cao, và có thể là thành phần đắt nhất, của chương trình PdM để thiết lập và chạy. Phân tích rung động, khi được thực hiện đúng cách, cho phép người sử dụng đánh giá tình trạng của thiết bị, và tránh hỏng hóc. Thế hệ mới nhất của máy phân tích rung động, bao gồm nhiều khả năng, và chức năng tự động hơn, so với thế hệ trước của nó. Nhiều thiết bị hiển thị toàn bộ phổ rung động của ba trục đồng thời, cung cấp ảnh chụp nhanh về những gì đang diễn ra, với một máy cụ thể. Nhưng bất chấp khả năng như vậy, ngay cả thiết bị tinh vi nhất, cũng không dự đoán thành công, các vấn đề đang phát triển, trừ khi người sử dụng hiểu, và áp dụng các kiến thức cơ bản về phân tích rung động.

Trong một số tình huống nhất định, nhiễu từ môi trường xung quanh, từ một số nguồn cạnh tranh, có thể che dấu tín hiệu cần quan tâm và cản trở khả năng ứng dụng công nghiệp của cảm biến rung. Do đó, phân tích dấu hiệu dòng điện của động cơ, (Motor Current Signature Analysis, MCSA), là một giải pháp thay thế, không xâm phạm, cho phép đo độ rung có khả năng giám sát các lỗi, của cả hệ thống điện và cơ khí.

Kiểm tra trực quan từ xa, là kiểm tra không phá hủy đầu tiên. Nó cung cấp một đánh giá chính, hiệu quả về chi phí. Thông tin cơ bản, và giá trị mặc định, có thể được suy ra từ hình dáng bên ngoài của mảnh vụn kim loại, chẳng hạn như các vết gấp, gãy, nứt và ăn mòn. Việc kiểm tra trực quan từ xa, phải được thực hiện trong tình trạng tốt với đủ ánh sáng, (tối thiểu 350 LUX). Khi không thể tiếp cận trực tiếp phần của bề mặt cần kiểm soát, một dụng cụ làm bằng gương và ống kính gọi là nội soi sẽ được sử dụng. Những khiếm khuyết tiềm ẩn, với những bất thường bên ngoài, có thể chỉ ra một khiếm khuyết nghiêm trọng hơn bên trong.

Kiểm tra siêu âm đường ống

Phân tích âm thanh có thể được thực hiện ở cấp độ âm thanh thường hoặc siêu âm. Các kỹ thuật siêu âm mới để theo dõi tình trạng, giúp có thể "nghe thấy" tiếng ma sát, và ứng suất trong máy móc đang quay, có thể dự đoán tình trạng hư hỏng sớm hơn các kỹ thuật thông thường. Công nghệ siêu âm nhạy cảm với âm thanh tần số cao, mà tai người không nghe được, và phân biệt chúng với âm thanh tần số thấp hơn, và rung động cơ học. Ma sát máy và sóng ứng suất, tạo ra âm thanh đặc biệt trong dải siêu âm trên. Những thay đổi trong các sóng ma sát, và ứng suất này, có thể cho thấy tình trạng xấu đi sớm hơn nhiều, so với các công nghệ như, phân tích độ rung hoặc phân tích dầu. Với phép đo, và phân tích siêu âm thích hợp, có thể phân biệt mài mòn bình thường, với mài mòn bất thường, hư hỏng vật lý, tình trạng mất cân bằng, và các vấn đề bôi trơn, dựa trên mối quan hệ trực tiếp giữa tài sản, và tình trạng vận hành.

Thiết bị giám sát âm thanh dạng thường, ít tốn kém hơn, nhưng nó cũng có ít công dụng hơn so với công nghệ siêu âm. Công nghệ âm thanh chỉ hữu ích trên thiết bị cơ khí, trong khi thiết bị siêu âm có thể phát hiện các sự cố điện, và nó linh hoạt và đáng tin cậy hơn trong việc phát hiện các sự cố cơ học.

Giám sát và phân tích bằng hồng ngoại, có phạm vi ứng dụng rộng nhất, (từ thiết bị tốc độ cao đến tốc độ thấp), và nó có thể hiệu quả để phát hiện các lỗi cơ và điện; một số người coi đây là công nghệ tiết kiệm chi phí nhất.

Phân tích dầu, là một chương trình dài hạn, có thể mang tính dự đoán cao hơn bất kỳ công nghệ nào khác. Có thể mất nhiều năm, để chương trình phân tích dầu của nhà máy đạt được mức độ tinh vi, và hiệu quả này. Các kỹ thuật phân tích được thực hiện trên các mẫu dầu, có thể được phân thành hai loại: phân tích dầu đã qua sử dụng, và phân tích hạt mòn. Phân tích dầu đã qua sử dụng, xác định tình trạng của chất bôi trơn, xác định chất lượng của chất bôi trơn, và kiểm tra tính phù hợp để tiếp tục sử dụng. Phân tích hạt mòn, xác định tình trạng cơ học, của các bộ phận máy được bôi trơn. Thông qua phân tích hạt mài mòn, bạn có thể xác định thành phần của vật liệu rắn có mặt, và đánh giá loại hạt, kích thước, mật độ, phân bố và hình thái.

Giám sát tình trạng dựa trên mô hình, (Model Based Condition Monitoring)

Việc sử dụng Giám sát tình trạng dựa trên mô hình, (Model Based Condition Monitoring), cho các chương trình bảo trì dự đoán, ngày càng trở nên phổ biến theo thời gian. Phương pháp này, liên quan đến việc phân tích quang phổ trên tín hiệu dòng điện, và điện áp của động cơ, sau đó, so sánh các thông số đo được, với một mô hình đã biết, và đã học của động cơ, để chẩn đoán các bất thường về điện, và cơ học khác nhau. Quá trình giám sát tình trạng "dựa trên mô hình" này, ban đầu được thiết kế, và sử dụng trên tàu con thoi của NASA, để theo dõi, và phát hiện các lỗi đang phát triển trong động cơ chính của tàu con thoi. Nó cho phép tự động hóa các nhiệm vụ thu thập, và phân tích dữ liệu, cung cấp khả năng giám sát tình trạng liên tục, và cảnh báo về các lỗi khi chúng phát triển.

Ứng dụng của bảo trì dự đoán

Nghành đường sắt

· Phát hiện các vấn đề trước khi chúng gây ra ngừng máy, cho các tài sản chạy đường dài, cố định, và lưu động.

· Cải thiện an toàn, và phát hiện khoảng trống đường ray, thông qua hệ thống giám sát trên cabin phương tiện, (cab-based monitoring system).

· Cũng có thể xác định loại đường ray có khoảng trống, và cung cấp dấu hiệu về mức độ nghiêm trọng của khoảng trống.

· Theo dõi sức khỏe của các máy điểm, (là thiết bị được sử dụng để vận hành các lối rẽ trên đường sắt), có thể hỗ trợ phát hiện sớm các dấu hiệu xuống cấp trước khi hỏng hóc.

Ngành Sản xuất

· Phát hiện, và chẩn đoán lỗi sớm trong ngành sản xuất.

· Các nhà sản xuất ngày càng thu thập dữ liệu lớn, big data, từ các cảm biến kết nối mạng lưới Internet vạn vật, (IoT), trong các nhà máy và sản phẩm của họ, và sử dụng các thuật toán khác nhau, cho dữ liệu thu thập được, để phát hiện các dấu hiệu cảnh báo, về những hỏng hóc gây thiệt hại lớn, trước khi chúng xảy ra.

Ví dụ về Thu thập dữ liệu lớn, big data, từ các cảm biến kết nối mạng lưới Internet vạn vật, (IoT), ở một cơ sở sản xuất năng lượng tái tạo. Họ có những cỗ máy cực kỳ phức tạp được trang bị các cảm biến và chip máy tính không chỉ điều khiển tuabin gió mà còn gửi các kết quả liên tục về tình trạng của từng bộ phận trên mỗi tuabin gió.

Nghành Dầu khí

· Các công ty dầu khí thường thiếu khả năng quan sát tình trạng thiết bị của họ, đặc biệt là ở các địa điểm xa bờ, và vùng nước sâu.

· Dữ liệu lớn, có thể cung cấp thông tin chi tiết cho các công ty dầu khí, bằng cách này, có thể phân tích, và dự đoán các hư hỏng của thiết bị, cũng như tuổi thọ tối ưu của hệ thống, và các bộ phận linh kiện.

Hết phần 2 -

Xem tiếp:

Phần 3: Bảo trì dựa trên tình trạng CBM?

Phần 4: Bảo trì phục hồi CM là gì?

Tìm kiếm Blog này