Ted Ooijevaar is research-engineer bij Flanders Make. Het Decisions-corelab van dit Vlaamse instituut heeft het beschreven onderzoek uitgevoerd in samenwerking met het Cosys-lab van de Universiteit van Antwerpen en de afdeling Production Engineering, Machine Design and Automation van de KU Leuven, in het kader van het Vibmon-project en met ondersteuning van het Vlaamse Agentschap Innoveren en Ondernemen.

20 October 2017

Met een slim algoritme, goedkope sensoren en een open embedded platform hebben Flanders Make en partners de bouwstenen ontwikkeld voor permanente conditiebewaking. Hiermee is monitoring op maat mogelijk op productiemachines, alsook op componenten zoals tandwielkasten, pompen, motoren en compressoren.

Productiemachines worden steeds intelligenter. Ze bevatten steeds meer sensoren en zijn onderling verbonden via een cloud-omgeving. Hierdoor wordt het mogelijk om hun conditie en functioneren continu en vanop afstand te monitoren, inzichten over meerdere soortgelijke machines te vergelijken en hun werking bij te sturen.

Productiebedrijven streven continu naar verhoogde productiviteit, onder meer door machinestilstanden te vermijden. Deze vertegenwoordigen een hoge kostprijs omwille van gemiste omzet. Een vroege foutdetectie in bijvoorbeeld lagers en tandwielen maakt een serieuze kostenbesparing en tijdswinst mogelijk.

Maar de markt biedt hier vandaag nog geen gepaste oplossingen voor. Operatoren baseren hun onderhoudsbeslissingen vaak nog op data van de periodieke en manuele inspectie van een enkele machine, wat niet altijd tot de juiste conclusies leidt. Bovendien laat het gesloten formaat van commerciële inspectiesystemen verbeteringen op maat van specifieke applicaties niet toe en zijn de bestaande oplossingen meestal te duur.

In het project Cost-Effective Vibro-Accoustic Monitoring ontwikkelden Flanders Make en partners een slim algoritme voor permanente conditiebewaking. Dit combineerden ze met goedkope sensoren en een open embedded platform. De bouwstenen zijn aanpasbaar voor verschillende industriële toepassingen, maar toegespitst op roterende machines en in het bijzonder lagers, onderhoudsgevoelige componenten die cruciaal zijn voor het functioneren van een machine.

Flanders_Make_Vibmon

Zonder tussenkomst

Om tot een effectieve foutdiagnose te komen, is het belangrijk inzicht te krijgen in het faalgedrag van de relevante machineonderdelen. De problemen in lagers kunnen op heel uiteenlopende manieren ontstaan: van oppervlaktevermoeiing tot aan smering gerelateerde faalmechanismes. Een groot deel doet zich zeer lokaal voor en resulteert in impulsief trillingsgedrag. Andere trillingsbronnen in machines zoals tandwielen, assen en ruis maskeren typisch de effecten van lagerfouten.

De gewenste lagerfoutgerelateerde informatie isoleren we uit het trillingssignaal met behulp van een slim algoritme, opgebouwd uit drie signaalverwerkingsstappen. In de eerste stap verwijderen we de trillingen veroorzaakt door tandwielen, die vaak dominant aanwezig zijn bij roterende machines. In de tweede stap verminderen we de ruis in het gefilterde trillingssignaal. In de laatste stap versterken we het impulsieve trillingsgedrag veroorzaakt door een lagerfout.

De daadwerkelijke aanwezigheid van lagerfouten detecteren we met hulp van het ‘squared envelope’-frequentiespectrum van het bewerkte signaal. Hierbij gebruiken we de amplitude van specifieke frequenties van de lagerfout als indicator. Vervolgens vergelijken we de berekende feature met een vooraf bepaalde drempelwaarde. We melden een gezonde toestand als de waarde kleiner is dan de drempel en anders een foutieve toestand.

De gehele signaalverwerking en analyse draaien automatisch op een embedded platform, zonder tussenkomst van een specialist. De benodigde informatie is beperkt tot de asrotatiesnelheid en het type lagers in de machine.

Flanders_Make_lagerfout
Een lokale lagerfout ontstaan door oppervlaktevermoeiing van de kogelbaan

195 µm

De hoge investeringskosten vormen een van de knelpunten voor de brede toepassing van conditiegebaseerde onderhoudsstrategieën. Een aanzienlijk deel van deze kosten is toe te schrijven aan de sensoren. Op basis van mems zijn echter goedkope alternatieven mogelijk.

Zo combineren mems-accelerometers economisch voordeel met een compact ontwerp, hoge gevoeligheid en temperatuurstabiliteit. In de industrie vinden deze echter nog geen brede toepassing voor conditiemonitoring, onder meer omdat ze niet altijd de vereiste bandbreedte, het gewenste dynamische bereik of het benodigde lage ruisniveau bieden. Wij hebben echter een paar geschikte exemplaren gevonden: de mems-accelerometer ADXL1002-50 van Analog Devices en de piëzofilmaccelerometer ACH-01 van Measurement Specialties.

Om machinetrillingen te meten en te verwerken, hebben we een embedded platform ontwikkeld. Belangrijkste ontwerpcriteria waren compactheid, openheid, schaalbaarheid en prijs. De ontwikkelde oplossing bestaat uit een Beaglebone Black-enkelbordcomputer met een Linux-besturingssysteem, aangevuld met een op maat gemaakte interface. Het systeem heeft zes analoge ingangskanalen die aan 52 kHz te bemonsteren zijn. Het platform is programmeerbaar in Python.

Analyses hebben aangetoond dat de goedkope sensoren en het embedded platform even goed presteren als hoogwaardige alternatieven. De performance en betrouwbaarheid van het algoritme hebben we uitvoerig getest op verschillende typen lagers en lagerfouten. In het onderzoeksproject hebben we gedemonstreerd dat het een kleinere fout kan detecteren (195 µm in doorsnee) dan de traditionele analysemethodes. Hierdoor zijn fouten vroegtijdig te detecteren. Bovendien hebben we het algoritme getest op een scala aan toepassingen, van eenvoudige tot meer complexe systemen, zoals een tandwielkast.

Flanders_Make_resultaten
Het Flanders Make-algoritme detecteert kleinere lagerfouten dan traditionele methodes voor lagermonitoring.

Digitale servitisatie

Door haar schaalbaarheid en openheid is de ontwikkelde oplossing geschikt voor integratie in een ‘fleet’-omgeving met meerdere soortgelijke machines. Hierbij kunnen we data verzamelen over de fouten die zich voordoen in de verschillende systemen. Met deze gegevens kunnen we de kwaliteit en betrouwbaarheid van onderhoudsbeslissingen en bijbehorende acties verbeteren, wat resulteert in een significante vermindering van ongewenste machinestilstand.

Daarnaast ondersteunt de oplossing belangrijke beslissingen rond het prestatiebeheer van machines. Denk aan energie-efficiëntie en de kwaliteit van het geproduceerde product. Bovendien krijgen operatoren veel betere ondersteuning bij het bepalen en uitvoeren van de optimale machine-instellingen. Voor machinebouwers effent dit de weg naar nieuwe businessmodellen op basis van digitale servitisatie, waarbij ze niet enkel een fysiek product verkopen, maar ook digitale diensten voor optimaal machineonderhoud en prestatiebeheer.

Edited by Nieke Roos