ISO 13374: Tilstandsovervåking og diagnostikk av maskiner – Databehandling, kommunikasjon og presentasjon

Sammendrag

ISO 13374 er en svært innflytelsesrik standard innen industrielt IoT- og tilstandsovervåkingsprogramvare. Den tar for seg utfordringen med interoperabilitet mellom ulike overvåkingssystemer, sensorer og programvareplattformer. I stedet for å definere måleteknikker, spesifiserer den en standardisert, åpen arkitektur for hvordan tilstandsovervåkingsdata skal behandles, lagres og utveksles. Den blir ofte referert til som Machinery Information Management Open Systems Alliance (MIMOSA)-arkitekturen, som den er basert på. Målet er å skape et «plug-and-play»-miljø for tilstandsovervåkingsteknologier.

Innholdsfortegnelse (konseptuell struktur)

Standarden er delt inn i flere deler og definerer en lagdelt informasjonsarkitektur. Kjernen i standarden er et funksjonelt blokkdiagram med seks nøkkellag som representerer dataflyten i ethvert tilstandsovervåkingssystem:

1. 1. DA: Datainnsamlingsblokk:

   Dette er det grunnleggende laget, som fungerer som broen mellom den fysiske maskinen og det digitale overvåkingssystemet. DA-blokkens primære funksjon er å koble seg direkte til sensorer – som for eksempel akselerometre, nærhetsprober, temperatursensorer eller trykktransdusere – og for å innhente de rå, ubehandlede analoge eller digitale signalene de produserer. Denne blokken er ansvarlig for alle lavnivå maskinvareinteraksjoner, inkludert å forsyne sensorene med strøm (f.eks. IEPE-strøm for akselerometre), utføre signalbehandling som forsterkning og filtrering for å fjerne uønsket støy, og utføre analog-til-digital-konvertering (ADC). Utgangen fra DA-blokken er en digitalisert strøm av rådata, vanligvis en tidsbølgeform, som deretter sendes til neste lag i arkitekturen for behandling.

2. 2. DP: Databehandlingsblokk:

   Denne blokken er beregningsmotoren i overvåkingssystemet. Den mottar den rå, digitaliserte datastrømmen (f.eks. tidsbølgeformen) fra datainnsamlingsblokken (DA-blokken) og transformerer den til mer meningsfulle datatyper som er egnet for analyse. Kjernefunksjonen til DP-blokken er å utføre standardiserte signalbehandlingsberegninger. Dette inkluderer spesielt å utføre Rask Fourier-transformasjon (FFT) å konvertere tidsdomenesignalet til et frekvensdomene spektrumAndre viktige behandlingsoppgaver definert i denne blokken inkluderer beregning av bredbåndsmålinger som total RMS verdier, utføre digital integrasjon for å konvertere akselerasjonssignaler til hastighet eller forskyvning, og utføre mer avanserte, spesialiserte prosesser som demodulering eller konvoluttanalyse for å oppdage de avslørende, høyfrekvente støtsignalene knyttet til feil på rullelager.

3. 3. DM: Datamanipuleringsblokk (tilstandsdeteksjon):

   Denne blokken markerer den kritiske overgangen fra databehandling til automatisert analyse. Den tar de behandlede dataene fra DP-blokken (som RMS-verdier, spesifikke frekvensamplituder eller spektralbånd) og anvender logiske regler for å bestemme maskinens driftstilstand. Det er her den første «deteksjonen» av et problem skjer. DM-blokkens primære funksjon er å utføre terskelkontroll. Den sammenligner de målte verdiene mot forhåndsdefinerte alarmsettpunkter, for eksempel sonegrensene definert i ISO 10816 eller brukerdefinerte prosentvise endringer fra en grunnlinje. Basert på disse sammenligningene tilordner DM-blokken en diskret «tilstand» til dataene, for eksempel «Normal», «Akseptabel», «Varsling» eller «Fare». Denne utgangen er ikke lenger bare data; det er handlingsrettet informasjon som kan sendes til neste lag for diagnose eller brukes til å utløse umiddelbare varsler.

4. 4. HA: Helsevurderingsblokk:

   Denne blokken fungerer som «hjernen» i diagnosesystemet og svarer på spørsmålet «Hva er problemet?» Den mottar tilstandsinformasjonen (f.eks. en «Alarm»-status) fra datamanipuleringsblokken (DM) og bruker et lag med analytisk intelligens for å bestemme den spesifikke rotårsaken til avviket. Det er her diagnostisk logikk, som kan variere fra enkle regelbaserte systemer til komplekse kunstig intelligens-algoritmer, utføres. Hvis DM-blokken for eksempel flagger et varsel for høy vibrasjon med en frekvens som er nøyaktig dobbelt så høy som akselens kjørehastighet (2X), vil den regelbaserte logikken i HA-blokken korrelere dette mønsteret med en spesifikk feil og sende ut en diagnose av «Sannsynlig aksel». FeiljusteringPå samme måte, hvis varselet er på en ikke-synkron, høyfrekvent topp med karakteristiske sidebånd, ville HA-blokken diagnostisere en spesifikk «LagerfeilResultatet av denne blokken er en spesifikk helsevurdering for maskinkomponenten.

5. 5. PA: Prognostisk vurderingsblokk:

   Denne blokken representerer toppen av prediktivt vedlikehold, og tar sikte på å svare på det avgjørende spørsmålet: «Hvor mye lenger kan det kjøre trygt?» Den tar den spesifikke feildiagnosen fra helsevurderingsblokken (HA) og kombinerer den med historiske trenddata for å forutsi feilens fremtidige utvikling. Dette er det mest komplekse laget, og bruker ofte sofistikerte algoritmer, maskinlæringsmodeller eller sviktfysikkmodeller. Målet er å ekstrapolere den nåværende degraderingsraten inn i fremtiden for å estimere komponentens gjenværende levetid (RUL). Hvis HA-blokken for eksempel identifiserer en lagerfeil, vil PA-blokken analysere hastigheten som feilfrekvensene har økt med de siste månedene for å forutsi når de vil nå et kritisk feilnivå. Resultatet er ikke bare en diagnose, men en konkret tidsramme for handling.

6. 6. AP: Rådgivende presentasjonsblokk:

   Dette er det siste og mest kritiske laget fra brukerens perspektiv, ettersom det oversetter alle underliggende data og analyser til handlingsrettet informasjon. AP-blokken er ansvarlig for å kommunisere funnene fra de lavere lagene til menneskelige operatører, pålitelighetsingeniører og vedlikeholdsplanleggere. Dens primære funksjon er å presentere riktig informasjon til riktig person i riktig format. Dette kan ta mange former, inkludert intuitive dashbord med fargekodede helseindikatorer, automatisk genererte e-post- eller tekstmeldingsvarsler, detaljerte diagnostiske rapporter med spektral- og bølgeformplott, og, viktigst av alt, spesifikke og tydelige vedlikeholdsanbefalinger. En effektiv AP-blokk oppgir ikke bare at et lager har en feil; den gir en omfattende rådgivning, for eksempel: "Innvendig lagerdefekt oppdaget på motorens utenbordslager. Gjenværende levetid estimert til 45 dager. Anbefaling: Planlegg lagerutskifting ved neste planlagte nedstengning."

Nøkkelbegreper

• Interoperabilitet: Dette er hovedmålet med ISO 13374. Ved å definere et felles rammeverk og en felles datamodell, lar det et selskap bruke sensorer fra leverandør A, et datainnsamlingssystem fra leverandør B og en analyseprogramvare fra leverandør C, og få dem til å fungere sammen.
• Åpen arkitektur: Standarden fremmer bruken av åpne, ikke-proprietære protokoller og dataformater, noe som forhindrer leverandørbinding og fremmer innovasjon i tilstandsovervåkingsbransjen.
• MIMOSA: Standarden er i stor grad basert på arbeidet til MIMOSA-organisasjonen. Å forstå MIMOSAs C-COM (Common Conceptual Object Model) er nøkkelen til å forstå den detaljerte implementeringen av ISO 13374.
• Fra data til beslutninger: Seksblokkmodellen gir en logisk vei fra rå sensormålinger (datainnsamling) til handlingsrettede vedlikeholdsråd (rådgivende presentasjon), og danner den digitale ryggraden i et moderne prediktivt vedlikeholdsprogram.

Offisiell ISO-standard

For den fullstendige offisielle standarden, besøk: ISO 13374 på ISO Store

← Tilbake til hovedindeksen