ISO 13374: Tillståndsövervakning och diagnostik av maskiner – Databehandling, kommunikation och presentation

Sammanfattning

ISO 13374 är en mycket inflytelserik standard inom industriell IoT- och tillståndsövervakningsprogramvara. Den tar upp utmaningen med interoperabilitet mellan olika övervakningssystem, sensorer och programvaruplattformar. Istället för att definiera mättekniker specificerar den en standardiserad, öppen arkitektur för hur tillståndsövervakningsdata ska bearbetas, lagras och utbytas. Den kallas ofta för Machinery Information Management Open Systems Alliance (MIMOSA)-arkitekturen, som den är baserad på. Målet är att skapa en "plug-and-play"-miljö för tillståndsövervakningstekniker.

Innehållsförteckning (konceptuell struktur)

Standarden är uppdelad i flera delar och definierar en lagerbaserad informationsarkitektur. Kärnan i standarden är ett funktionellt blockschema med sex nyckellager som representerar dataflödet i alla tillståndsövervakningssystem:

1. 1. DA: Datainsamlingsblock:

   Detta är det grundläggande lagret och fungerar som en brygga mellan den fysiska maskinen och det digitala övervakningssystemet. DA-blockets primära funktion är att kommunicera direkt med sensorer – såsom accelerometrar, närhetsprober, temperatursensorer eller tryckgivare – och för att samla in de råa, obearbetade analoga eller digitala signaler som de producerar. Detta block ansvarar för alla lågnivåinteraktioner med hårdvara, inklusive att förse sensorerna med ström (t.ex. IEPE-ström för accelerometrar), utföra signalbehandling som förstärkning och filtrering för att ta bort oönskat brus, och utföra analog-till-digital-omvandlingen (ADC). Utdata från DA-blocket är en digitaliserad ström av rådata, vanligtvis en tidsvågform, som sedan skickas till nästa lager i arkitekturen för bearbetning.

2. 2. DP: Databehandlingsblock:

   Detta block är övervakningssystemets beräkningsmotor. Den tar emot den råa, digitaliserade dataströmmen (t.ex. tidsvågformen) från datainsamlingsblocket (DA) och omvandlar den till mer meningsfulla datatyper som är lämpliga för analys. Kärnfunktionen hos DP-blocket är att utföra standardiserade signalbehandlingsberäkningar. Detta inkluderar framför allt att utföra Snabb Fouriertransform (FFT) att omvandla tidsdomänsignalen till en frekvensdomänsignal spektrumAndra viktiga bearbetningsuppgifter som definieras inom detta block inkluderar beräkning av bredbandsstatistik som totala RMS värden, utföra digital integration för att omvandla accelerationssignaler till hastighet eller förskjutning och utföra mer avancerade, specialiserade processer som demodulering eller kuvertanalys för att detektera de kontrollerande, högfrekventa stötsignalerna som är förknippade med fel på rullager.

3. 3. DM: Datamanipulationsblock (tillståndsdetektering):

   Detta block markerar den kritiska övergången från databehandling till automatiserad analys. Det tar bearbetad data från DP-blocket (såsom RMS-värden, specifika frekvensamplituder eller spektralband) och tillämpar logiska regler för att bestämma maskinens drifttillstånd. Det är här den initiala "detekteringen" av ett problem sker. DM-blockets primära funktion är att utföra tröskelkontroll. Det jämför de uppmätta värdena med fördefinierade larmbörvärden, såsom zongränserna som definierats i ISO 10816 eller användardefinierade procentuella förändringar från en baslinje. Baserat på dessa jämförelser tilldelar DM-blocket ett diskret "tillstånd" till data, såsom "Normal", "Acceptabel", "Varning" eller "Fara". Denna utdata är inte längre bara data; det är åtgärdsbar information som kan skickas till nästa lager för diagnos eller användas för att utlösa omedelbara aviseringar.

4. 4. HA: Hälsobedömningsblock:

   Detta block fungerar som "hjärnan" i diagnostiksystemet och besvarar frågan "Vad är problemet?". Det tar emot tillståndsinformationen (t.ex. en "Varning"-status) från datamanipulationsblocket (DM) och tillämpar ett lager av analytisk intelligens för att fastställa den specifika grundorsaken till avvikelsen. Det är här diagnostisk logik, som kan variera från enkla regelbaserade system till komplexa artificiella intelligensalgoritmer, exekveras. Om DM-blocket till exempel flaggar en varning för hög vibration med en frekvens som är exakt dubbelt så hög som axelns rothastighet (2X), skulle den regelbaserade logiken i HA-blocket korrelera detta mönster med ett specifikt fel och ge en diagnos av "Sannolik axel". FeljusteringPå samma sätt, om varningen är på en icke-synkron, högfrekvent topp med karakteristiska sidband, skulle HA-blocket diagnostisera en specifik "Lagerdefekt”Resultatet från detta block är en specifik hälsobedömning för maskinkomponenten.

5. 5. PA: Prognostisk bedömningsblock:

   Detta block representerar höjdpunkten inom prediktivt underhåll och syftar till att besvara den avgörande frågan: "Hur mycket längre kan det köras säkert?". Det tar den specifika feldiagnosen från hälsobedömningsblocket (HA) och kombinerar den med historiska trenddata för att prognostisera felets framtida utveckling. Detta är det mest komplexa lagret och använder ofta sofistikerade algoritmer, maskininlärningsmodeller eller felfysikmodeller. Målet är att extrapolera den nuvarande nedbrytningshastigheten till framtiden för att uppskatta komponentens återstående livslängd (RUL). Om HA-blocket till exempel identifierar ett lagerfel, analyserar PA-blocket den hastighet med vilken felfrekvenserna har ökat under de senaste månaderna för att förutsäga när de kommer att nå en kritisk felnivå. Resultatet är inte bara en diagnos, utan en konkret tidsram för åtgärder.

6. 6. AP: Rådgivande presentationsblock:

   Detta är det sista och mest kritiska lagret ur användarens perspektiv, eftersom det översätter all underliggande data och analys till handlingsbar information. AP-blocket ansvarar för att kommunicera resultaten från de lägre lagren till mänskliga operatörer, tillförlitlighetsingenjörer och underhållsplanerare. Dess primära funktion är att presentera rätt information till rätt person i rätt format. Detta kan ta sig många former, inklusive intuitiva instrumentpaneler med färgkodade hälsoindikatorer, automatiskt genererade e-post- eller sms-aviseringar, detaljerade diagnostikrapporter med spektral- och vågformsdiagram, och, viktigast av allt, specifika och tydliga underhållsrekommendationer. Ett effektivt AP-block anger inte bara att ett lager har ett fel; det ger en omfattande rådgivning, till exempel: "Inre lagerdefekt upptäckt på motorns utombordslager. Återstående livslängd uppskattad till 45 dagar. Rekommendation: Schemalägg lagerbyte vid nästa planerade avstängning."

Viktiga begrepp

• Interoperabilitet: Detta är det primära målet med ISO 13374. Genom att definiera ett gemensamt ramverk och en datamodell gör det möjligt för ett företag att använda sensorer från leverantör A, ett datainsamlingssystem från leverantör B och en analysprogramvara från leverantör C, och få dem alla att fungera tillsammans.
• Öppen arkitektur: Standarden främjar användningen av öppna, icke-proprietära protokoll och dataformat, vilket förhindrar leverantörslåsning och främjar innovation inom tillståndsövervakningsbranschen.
• MIMOSA: Standarden är starkt baserad på MIMOSA-organisationens arbete. Att förstå MIMOSAs C-COM (Common Conceptual Object Model) är nyckeln till att förstå den detaljerade implementeringen av ISO 13374.
• Från data till beslut: Sexblocksmodellen ger en logisk väg från råa sensormätningar (datainsamling) till handlingsbara underhållsråd (rådgivande presentation), vilket utgör den digitala ryggraden i ett modernt prediktivt underhållsprogram.

← Tillbaka till huvudmenyn