IoT ve büyük veri teknolojisinin olgunlaşmasıyla birlikte akıllı izleme platformları, fan bakımı için temel bir yöntem haline geldi. Bu makale, sistem mimarisi, kritik izleme parametreleri, tipik uygulama örnekleri ve uygulama noktaları olmak üzere dört açıdan; çevrimiçi izleme, veri analizi ve tahmin modelleri aracılığıyla fan arızası uyarısı ve operasyon bakım kararlarının nasıl optimize edileceğini açıklamaktadır.
1. Sistem Mimarisi ve Temel Bileşenler
Sensör Katmanı
Titreşim Sensörü: Rulman ve kasa titreşim sinyallerini toplar;
Sıcaklık Sensörü: Rulman, sargılar ve ortam sıcaklığını izler;
Basınç/Debi Sensörü: Boru hattı basıncı ve hava hacmi değişikliklerini kaydeder;
Ses Ölçer: Anormal gürültüleri algılar.
Kenar Ağ Geçidi
Veri doğrulama, sıkıştırma ve şifrelemeden sorumludur, Modbus,OPC UA gibi endüstriyel protokolleri destekler;
Bulut Platformu ve Büyük Veri
Zaman Serisi Veritabanı: Sensör verilerini verimli bir şekilde depolar;
Veri Ambarı: Geçmiş çalışma, bakım kayıtları ve dış koşulları entegre eder;
Analiz ve Görselleştirme
Gösterge Paneli: Kritik göstergeleri gerçek zamanlı olarak gösterir;
Alarm Sistemi: Eşik/kurallar alarmları ve seviye sınıflandırmaları;
Makine Öğrenme Modülü: Titreşim spektrumu, sıcaklık artışı gibi verilere dayanarak arıza tahmin modeli geliştirir.
2. Ana İzleme Parametreleri ve Arıza Uyarısı
Parametre | Arıza Türü | Uyarı Kriteri |
Titreşim Genliği | Rulman dengesizliği, dişli hasarı | Titreşim ivmesi veya yer değişimi eşik değerini aşarsa |
Spektrum Özellikleri | Şaft hizalama hatası, gevşeme | Spektrum tepe noktası belirli frekansta ortaya çıkarsa |
Rulman Sıcaklığı | Yağlama yetersizliği, aşırı yük | Sıcaklık artış hızı belirlenen eğriden hızlı olursa |
Boru Hattı Basıncı ve Hava Hacmi | Boru sızıntısı, vana anomalisi | Ölçülen hava hacmi/basıncının tasarım değerinden sapması ≥10% |
Gürültü Seviyesi | Hava ayrımı, mekanik sürtünme | Gürültü seviyesinin aniden artması veya spektrumda belli bir tepe noktası belirirse |
Eşik Değerleri Ayarı: ISO 10816 ve ISO 14694 gibi standartlara referansla, ekipman kılavuzlarına göre optimize edilir.
Model Eğitimi: Normal ve arıza durum verileri ile Rastgele Orman, LSTM gibi modeller kullanılarak 48-72 saat öncesinden uyarı sağlamak için eğitilir.
3. Tipik Uygulama Örnekleri
Maden Ana Fanının Tahmine Dayalı Bakımı
Çevrimiçi titreşim ve sıcaklık izleme sistemi yerleştirildi, LSTM modeli ile birleştirilerek, rulman arızalarını 60 saat önceden uyarır, duruş kazalarının önüne geçilir.
Metalurji Fabrikasında Yerel Fanların Enerji Verimliliği Optimizasyonu
Hava hacmi ve güç oranını izleyerek, enerji verimli çalışma noktaları bulunarak, sistem verimliliği %8 oranında artırıldı, yıllık enerji tasarrufu 150 000 kWh oldu.
Tünel Acil Hava Fanının Tüm Yaşam Döngüsü Yönetimi
Bakım kayıtları ve çevrimiçi çalışma verileri birleştirilerek, ekipman sağlık değerlendirmesi ve bakım döngüsü dinamik olarak ayarlanarak bakım maliyetleri %20 azaltıldı.
4. Uygulama Noktaları ve En İyi Uygulamalar
Ön Araştırma: Saha ağı ve güç koşulları değerlendirilir, endüstriyel koruma sınıfı sensörler ve ağ geçitleri seçilir.
Adım Adım Dağıtım: Önce küçük bir bölgede tek makine olarak deneme yapılır, ardından tüm tesise genişletilir, alarm stratejileri ve modeller tekrarlı olarak iyileştirilir.
Veri Yönetimi: Tutarlı etiketleme kuralları oluşturulur, eksik ve anormal veriler temizlenir, model eğitimi ve çevrimiçi tahmin doğruluğu sağlanır.
Bakım ve Operasyon İşbirliği: Bakım ve IT ekipleri kurularak, arıza yanıt prosedürleri ve yetkileri netleştirilir, düzenli tatbikatlar yapılır.
Sürekli Optimizasyon: Uyarı performansı düzenli olarak gözden geçirilir, algoritmalar ve eşik değerler güncellenir, yeni ekipman ve senaryolarla platformun işlevleri genişletilir.
