Prognozuojamoji priežiūra: naudojant IoT jutiklius aukštosios įtampos modulių būklės stebėjimui

Kodėl? Aukštos įtampos moduliams Techninės priežiūros prognozavimas – ne prevencija

Didelės įtampos moduliai susiduria su unikaliais gedimo rizikos veiksniais – izoliacijos blogėjimu, daliniu išlydžiu ir šilumine nekontroliuojama reakcija – kai tradicinė profilaktinė priežiūra nuolat nepateisina lūkesčių. Profilaktinės priežiūros metodai remiasi fiksuotais grafikais, keičiant komponentus po savavališkai nustatytų laiko tarpų, nepaisant jų faktinės būklės. Tai švaistoma medžiagų ir finansų: 30 % profilaktinės priežiūros išlaidų yra nereikalingos (Ponemon, 2023 m.), tuo tarpu paslėptieji defektai vis dar sukelia nenuspėtus gedimus. Priešingai, prognozuojamoji priežiūra naudoja IoT jutiklius, kurie stebi realiuoju laiku parametrus – temperatūrą, virpesius ir srovės anomalijas – leisdama įsikišti tik tada, kai duomenys rodo artėjantį gedimą. Ji sumažina prastovas 45 %, o priežiūros išlaidas – 25 % lyginant su kalendoriniais metodais. Didelės įtampos įrangai, kurios nenuspėtos sustabdymo sąnaudos viršija 740 tūkst. JAV dolerių per valandą (Ponemon, 2023 m.), perėjimas nuo laiko pagrįstos priežiūros prie būklės pagrįstos priežiūros nėra pasirinktinis – tai būtina patikimumui, saugai ir gyvavimo ciklo optimizavimui.

Pagrindiniai IoT jutiklių režimai aukštosios įtampos modulio būklės stebėjimui

Temperatūros stebėjimas: šiluminio išbėgimo ir izoliacijos susidėvėjimo aptikimas

Įmontuoti infraraudonųjų spindulių ir termistoriniais jutikliais paremti prietaisai nuolat stebi vietines temperatūros charakteristikas apvijose, izoliatoriuose ir prijungimo taškuose. Ilgalaikė temperatūra virš 65 °C stipriai koreliuoja su pagreitėjusiu izoliacijos senėjimu ir yra ankstyvas šiluminio išbėgimo – savarankiškai palaikomo šilumos plitimo proceso, kuris atsakingas už 23 % transformatorių gedimų (NERC, 2023) – rodiklis. Realiojo laiko aptikimas leidžia imtis veiksmų – pvz., sumažinti apkrovą arba pritaikyti aušinimą, – todėl neplanuotų sustojimų trukmė gali būti sumažinta iki 40 % lyginant su periodinėmis rankomis atliekamomis patikromis.

Vibracijos analizė: guolių nuovargio ir mechaninio atlaisvinimo nustatymas

Trišaliniai pagreičio matuokliai užfiksuoja aukštos dažnio mechanines požymines savybes sukamose ar rezonuojančiose detalėse – pvz., aušinimo ventiliatoriuose, alyvos siurbliuose ar įžemintose įrangoje. Dažnių srities analizė izoliuoja gedimo dažnius, susijusius su guolių nusidėvėjimu, netikslia padėtimi ar atlaisvintais tvirtinimo varžtais. Amplitudės, viršijančios 7 mm/s charakteringais guolių defekto dažniais, patikimai rodo pažengusį nuovargį, leisdamos įsikišti 8–12 savaičių prieš gedimą. Tai padeda pratęsti mechaninių turtų naudojimo trukmę 3–5 metais ir neleisti kaskadiniam žalos plitimui į gretimus izoliacijos sistemas.

Kintamosios srovės stebėjimas: dalinės iškrovos ir apkrovos nesuvienodėjimo aptikimas

Dabarties transformatoriai ir Rogowskio ritės pateikia aukštos tikslumo, fazės išskleistus srovės bangos formos signalus. Mašininio mokymosi pagerinti analitiniai įrankiai aptinka subciklinius netolygumus – įskaitant dalinį išlydžių impulsus (<5 pC) ir harmoninius iškraipymus, kurie laikui bėgant suardo kietąją arba alyva impregnuotą izoliaciją. Ankstyvas dalinio išlydžio (PD) aptikimas sumažina lankinio išlydžio riziką – vidutinė tokio įvykio sąnauda yra 740 tūkst. JAV dolerių (Ponemon, 2023 m.). Nuolatinis stebėjimas taip pat atskleidžia pastovius apkrovos nesuderintumus, kurie pagreitina laidininkų įkaitimą ir sąnarių susidėvėjimą.

Nuo žaliųjų duomenų iki sprendimo priėmimo: dirbtinio intelekto valdoma aukštosios įtampos modulių gedimų prognozavimo sistema

Krašto–debesų analitika: realaus laiko anomalijų aptikimas ir likusio naudingumo laiko (RUL) įvertinimas

Dirbtinis intelektas transformuoja jutiklių duomenis į prognozinę informaciją naudodamas suderintą krašto–debesų architektūrą. Krašto lygyje ištekliams taupantys modeliai atlieka žemo uždelstumo anomalijų aptikimą – per milisekundes nustatydami staigius temperatūros šuolius, virpesių protrūkius arba kritinės išlydžio (PD) impulsų sekas. Tik patvirtinti ir suspausti įvykių duomenys perduodami saugioms debesų platformoms, kur komplektiniai mašininio mokymosi (ML) modeliai kryžminiu būdu koreliuoja daugiasensorių srautus su istoriniais gedimų įrašais, aplinkos sąlygomis ir gamintojų techninėmis specifikacijomis. Šie modeliai aptinka subtilius, netiesinius ankstyvuosius požymius – pavyzdžiui, kylantį kritinės išlydžio (PD) kartojimosi dažnį esant pastoviai temperatūrai – kad įvertintų likusią naudingąją tarnavimo trukmę (RUL) kritinėms komponentėms, tokioms kaip SF₆ jungikliai arba epoksidinėmis medžiagomis izoliuoti izoliatoriai. 2023 m. pramonės tyrimas parodė, kad dirbtinio intelekto pagrindu vykdoma RUL prognozavimo sistema sumažino neplanuotus nutraukimus 41 % aukštosios įtampos transformatorinėse stotyse, leisdama tiksliai planuoti techninę priežiūrą su minimaliais trikdžiais ir išplėsti įrangos tarnavimo trukmę iki 20 %.

Dažniausiai užduodami klausimai

Kodėl numatomoji techninė priežiūra yra geresnė už profilaktinę techninę priežiūrą aukštosios įtampos moduliams?

Numatomoji techninė priežiūra naudoja IoT jutiklius, kurie stebi realiuoju laiku parametrus, leisdami įsikišti remiantis faktinėmis sąlygomis, o ne savavališkais grafikais. Šis požiūris sumažina prastovas ir išlaidas, tuo pat metu gerindamas patikimumą ir turtų tarnavimo laiką.

Kokie jutikliai dažniausiai naudojami numatomosios techninės priežiūros sistemose aukštosios įtampos moduliams?

Pagrindiniai jutikliai apima temperatūros jutiklius (infraraudonųjų spindulių ir termistorių pagrindu), triašių akcelerometrus vibracijos analizei bei srovės transformatorius arba Rogowskio ritės kintamosios srovės anomalijoms stebėti.

Kaip dirbtinis intelektas padeda priežiūrėti aukštosios įtampos modulius?

Dirbtinio intelekto valdomos modelių sistemos analizuoja jutiklių duomenis, kad aptiktų nukrypimus, prognozuotų gedimus ir įvertintų kritinių komponentų likusį naudingą tarnavimo laiką (RUL), leisdamos tiksliai ir laiku atlikti techninės priežiūros veiksmus.

Kokios yra sąnaudų taupymo galimybės, taikant numatomąją techninę priežiūrą palyginti su profilaktine technine priežiūra?

Prognozuojamasis techninės priežiūros metodas gali sumažinti prastovas 45 %, o techninės priežiūros išlaidas – 25 %, palyginti su kalendoriniais metodais.

Ar prognozuojamasis techninės priežiūros metodas yra plačiai taikomas pramonėje?

Nors šio metodo taikymas vis labiau plinta, ypač aukštos vertės įrenginiams, tokiems kaip aukštos įtampos moduliai, kai kurios įmonės vis dar remiasi tradiciniais profilaktinės priežiūros metodais, nepaisant įrodytų prognozuojamosios priežiūros privalumų.