آیا تحلیل ارتعاش می‌تواند از هشدارهای فرآیند DCS جلوگیری کند؟

چگونه تحلیل ارتعاش می‌تواند مشکلات پنهان فرآیندی PLC و DCS را کشف کند؟

کنترل‌کننده‌های منطقی برنامه‌پذیر (PLC) و سیستم‌های کنترل توزیع‌شده (DCS) ستون فقرات اتوماسیون کارخانه‌های مدرن هستند و همه چیز از راه‌اندازی ساده موتور تا فرآیندهای دسته‌ای پیچیده را مدیریت می‌کنند. در حالی که برای عملیات حیاتی هستند، هشدارهای آن‌ها اغلب علائم را نشان می‌دهند نه علل اصلی. ارتعاش مکانیکی از دارایی‌های چرخشی مانند پمپ‌ها، فن‌ها و توربین‌ها اغلب عامل واقعی متغیرهای فرآیندی ناپایدار است. بنابراین، ادغام تشخیص ارتعاش از سیستم‌هایی مانند Bently Nevada دیگر اختیاری نیست—بلکه برای تولید قابل اعتماد و استراتژی‌های نگهداری پیش‌بینی ضروری است.

همبستگی روندهای ارتعاش با رویدادهای سیستم کنترل

مانیتورینگ وضعیت مدرن داده‌های پیوسته و با وضوح بالا درباره سلامت ماشین ارائه می‌دهد. یک نکته کلیدی این است که ناهنجاری‌های ارتعاش اغلب روزها یا حتی هفته‌ها قبل از هشدارهای سیستم کنترل ظاهر می‌شوند. برای مثال، افزایش ارتعاش در فرکانس ۱x چرخش ممکن است نشان‌دهنده عدم تعادل در حال توسعه روتور در پمپ باشد که بار را افزایش داده و منجر به قطع جریان با آمپر بالا در PLC می‌شود. با ایجاد این همبستگی، عملیات از واکنش به مشکلات به برنامه‌ریزی پیشگیرانه تغییر می‌کند.

پارامترهای حیاتی ارتعاش برای تشخیص مؤثر

تحلیل مؤثر بر معیارهای خاص تمرکز دارد. سرعت ارتعاش کلی (بر حسب میلی‌متر بر ثانیه یا اینچ بر ثانیه) وضعیت کلی ماشین را بر اساس استاندارد ISO 10816 ارزیابی می‌کند. جابجایی نسبی شفت (بر حسب میکرون یا میل) برای ماشین‌های دارای یاتاقان فیلم سیال حیاتی است و نشان‌دهنده تراز و پایداری است. علاوه بر این، شتاب فرکانس بالا (بر حسب g) برای تشخیص نقص‌های اولیه در یاتاقان‌های غلتشی، مشکلات مش چرخ‌دنده و کاویتاسیون اهمیت دارد—مسائلی که حسگرهای فشار یا دما در DCS ممکن است تا زمان نزدیک به خرابی تشخیص ندهند.

مورد کاربرد: رفع کاویتاسیون مزمن در پمپ تغذیه شیمیایی

یک کارخانه شیمیایی بزرگ با هشدارهای مکرر و غیرقابل توضیح PLC برای فشار تخلیه پایین در یک پمپ گریز از مرکز حیاتی، مدل XYZ، مواجه شد. روند DCS کاهش فشار تا ۱۵ psi را نشان می‌داد که باعث کندی تولید می‌شد. بررسی‌های سنتی روی شیر کنترل و مهر و موم‌های پمپ هیچ مشکلی نشان نداد. تحلیل ارتعاش با استفاده از سیستم Bently Nevada 3500 انرژی پهن‌باند فرکانس بالا بالای ۱۰۰,۰۰۰ CPM را نشان داد، با سطوح شتاب که در طول دوره‌ها از ۰.۵ g به ۳.۵ g افزایش یافت. امضای طیفی تأیید کرد که کاویتاسیون وجود دارد. علت اصلی، گرفتگی جزئی صافی مکش بود که باعث کاهش NPSH (هد مثبت خالص مکش) شد. تمیز کردن صافی ارتعاش فرکانس بالا را از بین برد، فشار را تثبیت کرد و از تعویض پمپ به ارزش تقریبی ۱۲۰,۰۰۰ دلار و ۳۶ ساعت توقف تولید جلوگیری کرد.

سناریوی راه‌حل: جلوگیری از خرابی بزرگ فن در یک نیروگاه

فن‌های دمنده اجباری در یک نیروگاه ۵۰۰ MW افزایش تدریجی ۲۵ درصدی جریان موتور تحت نظارت DCS را طی ۶ هفته نشان دادند، اما در محدوده قطع باقی ماندند. همزمان، سرعت ارتعاش روی بلبرینگ داخلی فن از ۴.۵ میلی‌متر بر ثانیه به ۷.۲ میلی‌متر بر ثانیه افزایش یافت. تحلیل طیفی یک مولفه رو به رشد در فرکانس نقص رینگ بیرونی شناسایی کرد. تیم نگهداری بر اساس پیش‌بینی ارتعاش، برنامه توقفی تنظیم کرد. بازرسی نشان داد که رینگ بیرونی بلبرینگ پوسته‌پوسته شده است. تعویض برنامه‌ریزی‌شده در یک توقف جزئی ۴,۵۰۰ دلار هزینه داشت. این اقدام از قفل شدن فاجعه‌بار بلبرینگ که تخمین زده می‌شد باعث خسارت ۲۵۰,۰۰۰ دلاری به فن و توقف اجباری ۷۲ ساعته شود، جلوگیری کرد و زیان درآمدی بیش از ۱.۲ میلیون دلار را به همراه داشت.

افزایش دید کارخانه با پلتفرم‌های داده یکپارچه

روند صنعت به سمت مراکز عملیات یکپارچه حرکت می‌کند. کارخانه‌های پیشرو اکنون داده‌های ارتعاش از سیستم‌های تخصصی (مانند System 1* بنتلی نوادا) را مستقیماً به تاریخچه‌نگار DCS یا پلتفرم مدیریت عملکرد دارایی (APM) یکپارچه می‌فرستند. این یک منبع حقیقت واحد ایجاد می‌کند. در نتیجه، اپراتورها روند ارتعاش پمپ را همراه با فشار تخلیه و جریان آن روی یک صفحه مشاهده می‌کنند. یک اپراتور بزرگ نفت و گاز پس از اجرای چنین یکپارچه‌سازی، کاهش ۴۰ درصدی در زمان تشخیص گزارش داد که به صرفه‌جویی قابل توجهی در زمان توقف منجر شد.

تحلیل تخصصی: تغییر به بینش‌های پیش‌بینی مبتنی بر هوش مصنوعی

مرز نگهداری هوش است، نه فقط جمع‌آوری داده‌ها. در ارزیابی من، گام بعدی شامل به‌کارگیری الگوریتم‌های یادگیری ماشین (ML) روی داده‌های ترکیبی ارتعاش و فرآیند است. این مدل‌ها می‌توانند الگوهای پیچیده را یاد بگیرند — برای مثال، چگونه طیف‌های ارتعاش خاص با گرفتگی نهایی مبدل حرارتی که هفته‌ها بعد به صورت هشدار دمای نزدیک DCS ظاهر می‌شود، مرتبط است. پذیرندگان اولیه در بخش هیدروکربن شاهد بهبود ۳۰ تا ۵۰ درصدی در نرخ پیش‌بینی دقیق خرابی هستند، از «چه چیزی خراب می‌شود» به «چرا احتمال خرابی وجود دارد» حرکت می‌کنند.

مورد کاربرد: تشخیص مشکلات گیربکس در سیستم نقاله

PLC یک عملیات معدنی گزارش داد که به‌طور متناوب قطع‌های اضافه‌بار در درایو نقاله با گشتاور بالا رخ می‌دهد. دمای روغن گیربکس در DCS افزایش یافته بود اما نگران‌کننده نبود. تحلیل ارتعاش نشان داد فرکانس‌های جانبی اطراف فرکانس مش دنده روی شفت میانی وجود دارد، که نشانه‌ای از بلبرینگ کمی شل یا فرسوده است که باعث ناهماهنگی دنده می‌شود. سطح شتاب در فرکانس مش دنده دو برابر شده و به ۱۲ g رسیده بود. این یافته امکان بازرسی هدفمند را فراهم کرد. راه‌حل شامل تنظیم مجدد شیمینگ محفظه بلبرینگ و تعویض یک دنده بود که در طول تغییر شیفت برنامه‌ریزی‌شده هزینه‌ای معادل ۱۸,۰۰۰ دلار داشت. این اقدام از خرابی کامل گیربکس (۸۵,۰۰۰ دلار) و توقف تولید ۵ روزه جلوگیری کرد و بیش از ۲ میلیون دلار درآمد هفتگی را حفظ کرد.

توصیه‌هایی برای پیاده‌سازی

با دارایی‌های حیاتی که هزینه توقف بالایی دارند شروع کنید. اطمینان حاصل کنید که حسگرهای ارتعاش به درستی قرار گرفته‌اند (شعاعی و محوری روی بلبرینگ‌ها). مهم‌تر از همه، یک خط پایه از امضاهای ارتعاشی نرمال تحت شرایط بار مختلف ایجاد کنید. همکاری بین مهندسان کنترل و تحلیل‌گران ارتعاش برای ساخت مدل‌های همبستگی که داده‌ها را به تصمیمات عملی و صرفه‌جویی در هزینه تبدیل می‌کند، حیاتی است.

سؤالات متداول (FAQ)

سوال Q1: تحلیل ارتعاش چقدر زودتر از هشدار DCS می‌تواند خرابی را پیش‌بینی کند؟

پاسخ A1: بستگی به نوع خرابی دارد. برای مشکلاتی که به آرامی پیشرفت می‌کنند مانند عدم تعادل یا ناهماهنگی، هشدارها می‌توانند هفته‌ها زودتر بیایند. برای نقص بلبرینگ، تحلیل پیشرفته ممکن است چند روز تا چند هفته قبل از خرابی فاجعه‌بار که باعث هشدار فرآیند می‌شود، زمان پیش‌بینی ارائه دهد.

سوال Q2: آیا برای تفسیر داده‌های ارتعاش برای مسائل فرآیندی آموزش ویژه‌ای لازم است؟

پاسخ A2: در حالی که تحلیل‌گران ارتعاش دارای گواهی (دسته II/III طبق ISO 18436) تشخیص‌های عمیقی ارائه می‌دهند، نرم‌افزارهای مدرن اغلب شامل قالب‌های هشدار و «محاسبه‌گرهای فرکانس خطا» هستند که می‌توانند به طور خودکار مشکلات رایجی مانند کاویتاسیون یا نقص بلبرینگ را پیشنهاد دهند و بینش‌ها را برای مهندسان کنترل قابل دسترس‌تر کنند.

سوال Q3: آیا این روش با ماشین‌آلات قدیمی که حسگرهای ارتعاش مدرن ندارند کار می‌کند؟

پاسخ A3: بله. جمع‌آورنده‌های داده قابل حمل می‌توانند در مسیرهای منظم برای ساخت تاریخچه روند برای دارایی‌های کلیدی استفاده شوند. کیت‌های حسگر ارتعاش بی‌سیم نیز راه‌حلی مقرون‌به‌صرفه برای نصب مجدد هستند که امکان نظارت مداوم روی تجهیزات قدیمی و حیاتی را فراهم می‌کنند.

سوال Q4: بازگشت سرمایه (ROI) معمول برای چنین برنامه یکپارچه‌ای چقدر است؟

پاسخ A4: بازگشت سرمایه اغلب قانع‌کننده است. مطالعات موردی کاهش ۲۰ تا ۵۰ درصدی در زمان‌های توقف غیرمنتظره و صرفه‌جویی ۱۰ تا ۳۰ درصدی در هزینه‌های نگهداری را نشان می‌دهند. جلوگیری از یک خرابی بزرگ در یک دارایی حیاتی می‌تواند کل سرمایه‌گذاری سیستم نظارت را توجیه کند.

سوال Q5: ادغام داده‌های ارتعاش چگونه با استراتژی‌های IIoT (اینترنت صنعتی اشیا) هماهنگ است؟

پاسخ A5: این یک مورد استفاده پایه‌ای در IIoT است. حسگرهای ارتعاش به عنوان نقاط انتهایی IoT عمل می‌کنند و داده‌ها را به پلتفرم‌های ابری یا لبه برای تحلیل ارسال می‌کنند. این امکان را فراهم می‌کند تا ارزیابی عملکرد در سراسر ناوگان، تشخیص از راه دور توسط کارشناسان و توسعه دوقلوهای دیجیتال پیشرفته برای دارایی‌ها انجام شود.

برای اطلاعات بیشتر موارد محبوب زیر را در فناوری Nex-Auto. بررسی کنید