Prosessisuureiden huomioiminen toimintatilan tunnistamisen yhteydessä Case RR, työsuunnitelma kohta 6.2. Case PMO, työsuunnitelma kohta 6.2. Case PRIFAN, työsuunnitelma kohta 5.2. TOIMINTATILAN MÄÄRITTÄMINEN Koneen toimintatilan ja kunnon määrittäminen perustuu mittaustoimintaan. Varsinkin toimintatilan määritys on suoritettava koneen käydessä. Kunnon määritys onnistuu tietyin edellytyksin ulkoisin mittauksin koneen käydessä, mutta tarkempaan arvioon päästään usein koneen purkamisen kautta. Koneen toimintatilaa kartoittavien mittauksien tulee tietyllä tavalla, joko välillisesti tai välittömästi korreloida koneessa esiintyvien kulumismekanismien tai kehittyvien vikatilojen kanssa. Mittausjärjestelmää ei ole mahdollista eikä tarpeenkaan rakentaa sellaiseksi, että kaikki mahdollinen normaalista toimintatilasta poikkeava saataisiin seurattavaksi. Tätä varten on seurattavaan kohteeseen suoritettava kriittisyysanalyysi, jonka perusteella käytettävissä olevat resurssit fokusoidaan kohteisiin tai vikatyyppeihin, jotka tuotannon kannalta osoittautuvat kriittisimmiksi. Kantavana ajatuksena on, että suoritettavien mittausten tulee jollain tavalla korreloida, joko välillisesti tai välittömästi, tarkasteltavan kohteen kriittisiin tai kriittisiksi muodostuviin poikkeavuuksiin hyvästä toimintatilasta. Prosessisuureilla kuten lämpötila, paine, virtaus, kuorma, pyörimisnopeus ohjataan prosessia, jossa tarkastelun alainen kohde saattaa olla vain yksi prosessin osatekijöistä tai sitten hallita koko prosessia tai prosessin osaa. Kohteen toimintatilan on tarkoitus pysyä hyvänä riippumatta prosessin eri vaiheista, toisin sanoen erilaisista kombinaatioista prosessisuureiden yksittäisistä arvoista. Kuitenkin mittausjärjestelmä, joka on valjastettu indikoimaan kehittyvistä ei-toivotuista vikatiloista on herkkä reagoimaan myös prosessisuureiden vaihteluun. ERILLISET LUOKITTIMET SÄÄTÖ-, PROSESSI- JA VÄRÄHTELYTILOILLE Tämä ongelma on ratkaistu V-E Lumme & co:n taholta käyttämällä neuroverkkopohjaista luokitinta säätö-, prosessi-, sekä värähtelytiloille. Erillisillä luokittimilla tunnistetaan nämä kolme erillistä tilaa, joiden perusteella opitaan niiden keskinäinen vuorovaikutus ja edelleen voidaan ennustaa prosessitila säätöarvoihin perustuen tai värähtelytila (~=vikatila) prosessitilan perusteella. Useamman säätö-/ prosessisuureen tapauksessa tiloja muodostuisi kombinatorisista syistä mahdoton määrä, joten luokitus ohjataan rajalliseen määrään, esim. max. 20:een luokkaan. Luokittimet on opetettu tunnistamaan eri tilanteita. Uutuustilanteen sattuessa, eli jos ennalta opetettua luokkaa ei löydy tai luokitin ei kykene tekemään selvää luokkien välistä eroa, verkko opetetaan uudestaan ja kyseinen uutuustila löytyy sitten myöhemmin, ehkä jopa nimettynä tilanteen taas toistuessa. Näin menetellen luokittimet opetetaan asteittain aina paremmin ja paremmin kohteensa tunteviksi. Tämä on suuri askel perinteisestä vikadiagnostiikasta, puhumattakaan vikojen ennustettavuudesta l. prognostiikasta.
Tässä artikkelissa pyritään yksinkertaistamaan em. neuroverkkojen avulla tehtävää luokitusta. Hyvä luokitin tietenkin tunnistaa uutuustilanteen, mutta asiantuntijaa tarvitaan aina sen nimeämiseksi. Syy-seuraussuhteita esim. prosessitilojen ja värähtelytilojen välillä hyväkään asiantuntija ei kykene etukäteen juuri arvioimaan. Neuroverkko kykenee näitä suhteita käsittelemään, mutta se tapahtuu käyttäjältä piilossa. Käyttäjä haluaa kuitenkin jollain tapaa pysyä mukana luokittimen toiminnassa. Ehkä yksinkertaisin tapa palvella käyttäjää on tällöin palauttaa luokittimen virhe-estimaatti, joka indikoi käyttäjää luokitustuloksen varmuudesta. Usein arvokasta tietoa olisi paitsi se, miksi luokittelun tulos oli kyseinen, mutta myös se, miksi se ei ollut jokin muu. Tai kuinka vika on edennyt tähän vaiheeseen ja mistä se sai alkunsa. Johtuen prosessitilojen vaikutuksesta mittaustuloksiin, joilla ei-toivottuja toimintatiloja haettiin, toimintastrategia on seuraava: panostetaan signaalinkäsittelyyn. Tämän johdosta tarvittavien neuroverkkojen lukumäärä tulee kasvamaan, mutta niiden koko vastaavasti pienenee radikaalisti. Käyttämällä yksinkertaisia ehdollistavia funktioita varsin usein yksittäisten vikatyyppien kehittymistä voidaan varmuudella seurata ohi prosessisuureiden myös ilman luokitinta. Usean yksinkertaisen algoritmin kautta käyttäjä pystyy seuraamaan polkua ei-toivotun toimintatilan lähteelle saakka. Mittauspiste ja suure ovat tietenkin ratkaisevassa asemassa mitatun informaation hyvyydelle ei-toivotun toimintatilan tunnistamisessa. Tästä eteenpäin ovat kuitenkin käytettävissä signaalianalyysin rajattomat keinot, joilla signaalista /-eista voidaan aivan aluksi määritellä lähes lukematon määrä piirteitä. AUTOMAATTINEN TAAJUUSTASOINEN TARKASTELU Värähtelynopeuden tehollisarvo on niitä harvoja piirteitä, jotka on puettu konekohtaisiksi standardeiksi. Sinänsä se on hyvä piirre toimintatilan arvioimiseksi, sillä suuri määrä erilaisia vikatyyppejä reagoi tällä tunnusluvulla, kuten myös valitettavasti melkein mikä tahansa muutos prosessitilassa. Tätä tai muuta vastaavaa laajakaistaista yksinkertaista tunnuslukua onkin turvallista käyttää syötteenä toimintatilan tunnistavissa luokittimissa. Käyttäjä tarvitsee kuitenkin luokittimelta tarkempia tuloksia; pelkkä varoitus epäedullisesta toimintatilasta ei useinkaan ole riittävä. Tarkempaan vikatilamääritykseen pyrittäessä on ensinnäkin löydettävissä joukko sellaisia piirteitä, jotka indikoivat päällä olevasta vikatilasta eivätkä ole sidoksissa prosessisuureisiin. Näitä piirteitä voivat olla kaikki hälytysrajatyyppiset piirteet, jotka on asetettu konevalmistajan toimesta mm. turvallisuusnäkökulmasta. Riippumatta prosessin tilasta, ylikuorma, rajakytkimen laukaisu, alilämpö, moottorin ryntäys ovat aina yksiselitteisiä vikatiloja. Tämä käyttäjälle arvokas informaatio on kuitenkin usein jälkijättöistä toimintaa. Varataksemme aikaa reagoida on valittava sellaisia piirteitä, jotka indikoivat kehittyvistä vikatiloista. Näitä piirteitä ovat esim. laakeritaajuudet suhteutettuna pyörimistaajuuteen. Laakeritaajuudet ovat lähes varmuudella eikokonaislukukerrannaisia pyörimistaajuuden kanssa välillä 3 10 x rpm. Varmistettua, että taajuus ei ole ominaistaajuus, tällaisen piirteen seuranta paljastaa välittömästi kehittymässä olevan laakerivian, olivat pyörimisnopeus tai kuormitus mitä tahansa. Taajustasoisesta informaatiosta olennaisen löytäminen vaatii hieman koodaamista. Ensinnä täytyy päättää, mitä komponentteja halutaan hakea. Katsomalla vianhakutaulukoita (Liitteenä) huomataan, että lähes kaikki vikoihin korreloivat tunnusomaiset piirteet liittyvät kolmeen spektrin komponenttiin, nimittäin 1) käytön pyörimistaajuinen tai vaihteen ryntötaajuinen komponentti kokonaislukukerrannaisineen 2) murtolukukerrannaisineen sekä 3) aliharmonisine komponentteineen. Vianhakutaulukoissa tietoa haetaan suhteellisina, mikä varsin useassa tapauksessa tarkoittaa riippumattomuutta prosessin tilasta.
SUHTEELLINEN TARKASTELU Jokainen kone on yksilö, mistä johtuen myös koneiden valvonnassa käytetyt piirteet ovat yksilöllisiä. Käytäntö on osoittanut, että piirteet joudutaan yleensä analysoimaan suhteellisina. Perinteisesti tätä on suoritettu esim. trendivalvontana, jossa uusia piirrearvoja verrataan aiemmin esiintyneisiin eikä absoluuttisesta tasosta itsestään olla kiinnostuneita. Huonoa on se, että vaurion vakavuusasteen määrittäminen jää, mikä on sinänsä yleistä puhuttaessa suhteellisesta tarkastelusta. Piirteiden suhteellista tarkastelua voidaan tehdä myös toisin kuin verrata fysikaalista suuretta itsensä kanssa. Koska absoluuttisesta tasosta ei olla kiinnostuneita (vrt. edellä) ovat myös suureen yksiköt toisarvoisia. Näin ajatellen suhteellinen tarkastelu voidaan toteuttaa myös suhteutettuna jokin piirre, esim. pyörimistaajuisen spektriviivan vaiheen suhde johonkin prosessisuureeseen, kuten kuormaan. Suhteutetun piirteen yksikkö saattaa muodostua mitäänsanomattomaksi, mutta jos näin menetellen saavutetaan korrelaatio halutun vikatyypin esiasteeseen, piirre on hyvä, yksinkertainen sekä prosessin huomioonottava. Amplitudien ja vaiheiden suhteellinen tarkastelu pyörimistaajuudelle sekä sen kokonaislukukerrannaisille pysty- sekä vaakasuuntaan antaa osviittaa lukuisille eri vikatyypeille (Katso liitteenä olevat vianhakutaulukot). Tämän tarkastelun hyviä puolia on se, että proseduuri on automatisoitavissa sekä tuottaa suoraan vikakohtaista tietoa, prosessisuureista välittämättä. CASE PANOSTUSNOSTURI Mitä tämä toimintatilan tunnistaminen prosessisuureet huomioiden tarkoittaa kohdennettuna panostusnosturille? Panostusnosturi on varustettu alla olevan kuvan mukaisesti kiihtyvyysmittauksilla; DP08V MP01P MP02P ME01P ME02P DE08V GE06P GE05A ME04P ME03P M1E GE07P M2E VE MP03P MP04P GP06P GP05A GP07P VP M2P V M1P P A Kuva 1. CASE panostusnosturin mittauspisteet ja suunnat (mittaussuureena kiihtyvyys). Kuten aiemmin todettiin, vikatiloja voidaan ennalta jäljittää käyttäen tunnusomaisia piirteitä, jotka eivät ole riippuvia prosessisuureista. Todennäköisesti tullaan tarvitsemaan myös piirteitä, jotka ovat kytköksissä prosessin tilaan. Näitä piirteitä hyödyntääksemme tarkoituksena on tehdä kevyt neeuroverkko, joka opetetaan tuntemaan jonkun tai joidenkin prosessisuureiden vaikutus. Nosturin tapatuksessa ovat seuraavat prosessisuureet kytköksissä suureen joukkoon käyttökelpoisia piirteitä; p1 Punnitus p2 Pyörintäsuunta p3 Pyörintänopeus p4 Siltakoordinaatti
KAAVIO TOIMINTATILAN TUNNISTAMISEKSI Alla olevassa kuvassa esitetään kaavio menettelytavoista toimintatilan tunnistamiseksi; KCI:n hälytykset M1E. 1 Kevyt verkko M1E m p. 1 p n M1E. 1 M1E m p. 1 p n M2E. 1 M2E m M2E 1. M2E m Funktiot F1 F2 M1E -vika M1E -tila F1 F2 M2E -vika M2E -tila H1 H2 Päänoston tila Kuva 2. Toimintakaavio toimintatilan tunnistamiseksi. Edellisessä kuvassa on eriteltävissä kolme erillistä lähdettä, jotka kertovat poikkeamista hyvästä toimintatilasta; 1) KCI:n hälytykset, 2) yksinkertaiset funktiot ja 3) yksinkertaiset verkkorakenteet. KCI:n (tai yleensä automaatiojärjestelmän) hälytykset ajetaan suoraan koneiston, tässä tapauksessa päänoston tilatietoon. Tämä polku informoi käyttäjää päällä olevasta vikatilasta, mutta ei pysty sitä ennakoimaan tai selventämään syy-seuraussuhteita. Toinen tie toimintatilan tunnistamiseksi vie yksinkertaisten funktioiden kautta. Nämä funktiot käyttävät syötearvoina yhden tai korkeintaan kahden värähtelymittapisteen raakadataa sekä pyörimisnopeusarvon kyseiseltä ajanhetkeltä. Funktiot käsittelevät dataa suhteellisten tunnuslukujen avulla eivätkä ole riippuvaisia prosessisuureista. Funktioita voidaan luoda standardeista, vianhakutaulukoista tai asiantuntija-arvioilla. Kolmas toimintatilan tunnistuksessa käytettävä polku varataan niille prosessisuureista riippuville piirteille, jotka indikoivat jostain erityisestä vikamuodosta tai toimintatilasta, joita ei em. funktioiden kautta kyetty yksiselitteisesti tai laisinkaan tunnistamaan. Tässä otetaan käyttöön kevyet neuroverkot, joissa opetetaan yhden tai useamman prosessisuureen ja tietyn/tiettyjen KV-suureiden väliset yhteydet. Toimintamallissa pyritään kuitenkin välttämään tätä polkua, pikemminkin vikaindikaattorit pyritään muodostamaan prosessisuureista riippumattomina em. funktiomodulien avulla. Kaikki polut on kytkettävissä toisiinsa erittäin yksinkertaisella verkkorakenteella, jopa boolean operaattoreilla. Ydinajatuksena on, että muutokset päänoston toimintatilassa voidaan aina jäljittää taaksepäin komponentti ja mittauspiste- / piirretasolle saakka.
LIITETAULUKOT Taulukot 1 6, lähteestä [1]. Taulukot 7 13, lähteestä [2]. Taulukko 1. Vianhakutaulukko; yleinen, aksiaalisuunta. Taulukko 2. Vianhakutaulukko; yleinen, aksiaalisuunta.
Taulukko 3. Vianhakutaulukko; yleinen, aksiaalisuunta.
Taulukko 4. Vianhakutaulukko; yleinen, radiaalisuunta.
Taulukko 5. Vianhakutaulukko; yleinen, radiaalisuunta.
Taulukko 6. Vianhakutaulukko; yleinen, radiaalisuunta. Taulukko 7. Vianhakutaulukko; puhaltimet.
Taulukko 8. Vianhakutaulukko; puhaltimet.
Taulukko 9. Vianhakutaulukko; puhaltimet. Taulukko 10. Vianhakutaulukko; pumput.
Taulukko 11. Vianhakutaulukko; pumput.
Taulukko 12. Vianhakutaulukko; pumput.
Taulukko 13. Vianhakutaulukko; sähkömoottorit.
Lähteet: [1] Crawford, A.R., Crawford, S. The Simplified Handbook of Vibration Analysis. Vol 1: Introduction to Vibration Analysis Fundamentals. 1992. [2] Crawford, A.R., Crawford, S. The Simplified Handbook of Vibration Analysis. Vol 2: Applied Vibration Analysis. 1992. [3] Jantunen, E. Voiko pyörivien koneiden jäljellä olevaa elinikää ennustaa? Kunnossapito 7, pp. 49 55. 2005.