З розвитком IoT і технологій великих даних, платформа інтелектуального моніторингу стала основним засобом обслуговування вентиляторів. У цій статті розглядається, як через архітектуру системи, ключові параметри моніторингу, типові приклади застосування та основні моменти реалізації можна досягти прогнозування неполадок вентиляторів та оптимізації управлінських рішень, використовуючи онлайн-моніторинг, аналіз даних та прогнозні моделі.
1. Архітектура системи та ключові компоненти
Рівень сенсорів
Датчики вібрації: збирання сигналів вібрації підшипників та корпусу;
Датчики температури: моніторинг температури підшипників, обмотки та оточення;
Датчики тиску/витрати: реєстрація змін тиску та витрати повітря в реальному часі;
Рівень шуму: виявлення аномалій шуму.
Крайовий шлюз
Відповідає за первинну перевірку, стиснення та шифрування даних, підтримує Modbus, OPC UA та інші промислові протоколи;
Хмарна платформа та великі дані
Часова база даних: ефективне зберігання великих обсягів даних сенсорів;
Склади даних: інтеграція історії роботи, записів техобслуговування та зовнішньої інформації про умови;
Аналіз та візуалізація
Панель приладів: показ ключових показників у реальному часі;
Система тривог: сигналізація за пороговими значеннями/правилами та градація рівнів;
Модуль машинного навчання: створення прогнозних моделей на основі спектра вібрацій, підвищення температури тощо.
2. Основні параметри моніторингу та попередження про несправності
Параметр | Тип несправності | Основа попередження |
Амплітуда вібрації | Дисбаланс підшипників, пошкодження шестерні | Прискорення або зсув вібрації перевищують порогове значення |
Спектральні характеристики | Відхилення центрування осі, послаблення | З'являються пікові значення у специфічних частотах спектра |
Температура підшипників | Недостатнє змазування, перевантаження | Темп підвищення температури перевищує заданий градієнт |
Тиск у мережі та витрата повітря | Витік у трубопроводі, аномалії клапанів | Фактична витрата повітря/тиск відхиляються від проектних значень ≥10% |
Рівень шуму | Аеродинамічний відрив, механічне тертя | Різке збільшення рівня шуму або поява специфічних піків у спектрі |
Встановлення порогових значень: орієнтація на ISO 10816, ISO 14694 та інші стандарти, налаштування згідно з керівництвом з експлуатації обладнання.
Навчання моделей: тренування моделей на основі випадкового лісу,LSTM з використанням даних нормальної та аварійної роботи, забезпечуючи попередження за 48–72 години.
3. Типові приклади застосування
Прогностичне обслуговування головних вентиляторів шахт
Впровадження онлайн-моніторингу вібрацій та температури, з використанням моделі LSTM , попередження про несправність підшипника за 60 годин, уникнення аварії.
Оптимізація енергії локальних вентиляторів в металургії
Моніторинг співвідношенням повітря та потужності, виявлення енергозберігаючих точок, підвищення ефективності системи на 8%, річне збереження електроенергії досягає 15 тис. кВт·год.
Управління життєвим циклом аварійних вентиляційних систем у тунелях
Інтеграція записів обслуговування з даними онлайн-експлуатації, оцінка стану обладнання та динамічне налаштування циклів технічного обслуговування, зниження витрат на ремонт на 20%.
4. Ключові моменти впровадження та найкращі практики
Попереднє дослідження: оцінка умов мережі та електропостачання на місцях, вибір датчиків і шлюзів, які підтримують промислові рівні захисту.
Покрокове впровадження: спочатку пілотний запуск на одній машині, поступове розширення на весь завод, багаторазове удосконалення стратегій тривоги та моделей.
Управління даними: встановлення єдиних правил маркування, очищення відсутніх та аномальних даних, забезпечення точності навчання моделей та онлайн-прогнозування.
Співпраця в обслуговуванні: створення спільних команд для обслуговування та IT, встановлення чітких процедур реагування на несправності та повноваження, регулярні тренування.
Безперервна оптимізація: регулярний аналіз ефективності попереджень, оновлення алгоритмів та порогів, розширення функціоналу платформи з урахуванням нових обладнань та сценаріїв.
