خبرها

فن آوری دیجیتال یک رویکرد جدید برای یک مشکل قدیمی صنعتی را امکان پذیر می کند: از بین بردن غیر منتظره. همانطور که توسط برنی ون لیوون ، مدیر تحقیقات و توسعه فناوری در SKF توضیح داده شده است.

در صنعت ، هیچ کس شگفتی را دوست ندارد. شرکت ها بخش اعظم وقت خود را صرف کار می کنند تا شرایطی را ایجاد کنند که افراد ، دارایی ها و مواد دقیقاً همانطور که انتظار می رود رفتار کنند. انگیزه نتایج پایدار و قابل پیش بینی در قلب بسیاری از اقدامات صنعتی مدرن است ، از کنترل فرایند آماری گرفته تا تولید ناب و شش سیگما.

در SKF ، تمرکز ما تجهیزات چرخش و یاتاقان ها در قلب آنها است. مشتریان به دلیل اینکه می خواهند محصولات و خدماتی را که از قابلیت اطمینان ، طول عمر و اهداف عملکرد آنها پشتیبانی می کند ، به دست ما می آیند. اکثریت قریب به اتفاق زمان ، این دقیقاً همان چیزی است که آنها دریافت می کنند. بیش از 90 درصد یاتاقانها بیشتر از ماشینهایی که در آن نصب شده اند ماندگار هستند.

با این حال ، این هنوز جای پیشرفت را دارد. سایش ، خستگی و آسیب واقعیتهای اجتناب ناپذیر زندگی است و صاحبان ماشین می پذیرند که بعضی اوقات قطعاتی مانند یاتاقان ها نیاز به تعویض دارند. آنچه آنها می خواهند توانایی مدیریت این کار به صورت منظم است. تعویض (یا دوباره تولید) یاتاقان در طی تعمیرات اساسی برنامه ریزی شده خوب است ، پس از توقف غیرقابل برنامه ریزی ، این کار را با عجله انجام دهید.چالش پیش بینی
صنعت یاتاقان چندین دهه را صرف تحقیق در مورد مسئله پیش بینی می کند. برخی از بزرگترین چالش ها حل شده است. به عنوان مثال درک ما از خستگی زیرسطحی ، توسعه مدلهای قوی را برای پیش بینی زمان تحمل هر شرایط تحمل در شرایط عملیاتی شناخته شده ، قبل از اطمینان از اعتبار آن توسط خستگی انباشته ، امکان پذیر کرده است.

با این وجود یک صید وجود دارد. چیز دیگری که چندین دهه تجربه به ما آموخته است این است که ، در دنیای واقعی ، خستگی زیر سطح عامل اصلی عدم موفقیت در کمتر از 1 درصد از کل یاتاقان ها است. این تقریباً یک در ده شکست خدمات است. سایر خرابی ها در اثر انبوهی از مسائل مختلف ایجاد می شود: به عنوان مثال ، مشکلات مربوط به روغن کاری ، آلودگی ، خوردگی یا آسیب دیدن جریان های الکتریکی ولگرد.
این مسائل برای حل بسیار دشوار است. آنها نتیجه حوادث غیر منتظره هستند که نمی توانند در مدلهای ساده یا محاسبات زمان طراحی گنجانیده شوند. این بدان معنا نیست که صاحبان دارایی باید شکستهای غافلگیرکننده را به عنوان یک واقعیت زندگی بپذیرند. به موقع ، اطلاعات عملی می توانند یک مسئله بالقوه گران را به یک مسئله قابل کنترل تبدیل کنند. و فراهم آوردن این اطلاعات هدف اصلی تحقیق و تلاش برای توسعه محصول است که در SKF امروز در حال انجام است.

جای تعجب ندارد
کار پیش بینی ما با هدف پاسخ به سه نوع اصلی سؤال برای مشتریان:

1. کشف. آیا با دستگاه من مشکلی وجود دارد یا احتمالاً مسئله وجود دارد؟
2. تشخیص. علت اصلی مسئله چیست؟
3. پیش آگهی. آیا می توانم دستگاه خود را تا بازه نگهداری بعدی برنامه ریزی شده خود ادامه دهم؟ آیا اکنون برای حفظ سلامتی آن باید اقدامی انجام دهم؟

پاسخ به این سؤالات پیچیده است ، زیرا آنها بستگی زیادی به کاربرد خاص مورد نظر دارند. حتی تعاریف اساسی نیز دشوار است. در یک کارخانه تولید با دقت بالا ، صدمه به یاتاقان که منجر به افزایش کمی اصطکاک ، لرزش یا بازی می شود ، ممکن است دستگاه را غیر قابل استفاده کند. در یک پمپ یا فن ساده ، ممکن است تأثیر کمی در عملکرد کلی داشته باشد ، اجازه می دهد تا هفته ها یا ماه ها ادامه یابد تا زمان مناسب تعویض کار ادامه یابد.

با این حال این همه اخبار بد نیست. پیشرفت های فن آوری و تغییر در روش های صنعتی روش های جدیدی را برای مقابله با این پیچیدگی به ما داده است. درک ما از علم مواد و قبیله شناسی همچنان به تکامل می رسد ، به عنوان مثال ، با کمک تکنیک های پیشرفته مدل سازی و شبیه سازی به کمک رایانه. و از همه مهمتر ، ما اکنون به داده هایی درباره عملکرد واقعی دنیای واقعی دسترسی داریم که فقط چند سال پیش غیرقابل تصور می بودند.

سود سهام دیجیتال
این داده ها ناشی از رشد سریع استفاده از سنسورهای هوشمند و فناوری های نظارت بر شرایط است. به عنوان بخشی از ارائه خدمات عملکرد تجهیزات چرخشی ، SKF داده های دما ، لرزش و نگهداری از میلیون ها یاطاقان در حال اجرا در هزاران برنامه در سراسر جهان را جمع آوری می کند. به طور فزاینده ، ما این فرصت را داریم تا اطلاعات اصلی را با داده های اضافی ارائه شده توسط سیستم های کنترل و اتوماسیون خود مشتری ، تکمیل کنیم.

اکنون روش های جدید استفاده از داده ها نیز داریم. توسعه فن آوری های پیشرفته تحلیلی و یادگیری ماشینی باعث ایجاد انقلابی در توانایی ما برای استخراج بینش های جدید از میلیاردها دیتابیس انفرادی می شود.

ترکیب داده های غنی در دنیای واقعی با مدلهای نظری پیشرفته به ما کمک می کند تا مسئله پیش بینی از دو طرف را برطرف کنیم. در ابتدا ، چگونگی عملکرد یاتاقان ها در برنامه های خاص تحت شرایط عملیاتی خاص ، بهتر نمایش می دهد. این به ما امکان می دهد تا طراحی محصولات خود را بهبود بخشیم و توصیه هایی که در مورد انتخاب ، بهره برداری و نگهداری از آنها به مشتریان می دهیم.

دوم ، بهبود توانایی ما برای پاسخگویی به این سؤالات دشوار برای مشتریان است: تشخیص موضوعات زودتر ، تشخیص دقیق تر آنها و پیش بینی پیشرفت آنها با اطمینان بیشتر. به طور قابل توجهی ، ما می توانیم به طور فزاینده ای از تکنیک های پیشرفته محاسباتی برای خودکارسازی کارهایی استفاده کنیم که به صورت دستی نیاز به تجزیه و تحلیل دستی توسط متخصصان ماهر دارند. با گذشت زمان ، ما معتقدیم که هزینه ، دسترسی و مقیاس پذیری نظارت بر شرایط ، نگهداری پیش بینی و رویکردهای مرتبط را تغییر خواهد داد.
امروز کجا هستیم
چالش پیش بینی هنوز حل نشده است ، اما ما پیشرفت های چشمگیری داشته ایم ، به خصوص در زمینه های تشخیص و تشخیص. ما مدل های جدید و تکنیک های جدید تحلیلی داریم که در آزمایشگاه های تحقیق و توسعه و آزمایشات با مشتریان عملکرد خوبی دارند. اکنون کار شده است تا این رویکردها به اندازه کافی مستحکم و در دسترس برای کاربردهای گسترده تر باشد. ما قصد داریم در طی دو یا سه سال آینده تعدادی از ابزارها ، محصولات و ارائه خدمات جدید را از بین ببریم.

و سرعت پیشرفت ما در حال شتاب است. یکی از جالب ترین ویژگی های رویکرد جدید پیش بینی ، اثر مقیاس است. هر منبع داده جدید از هر نوع یاتاقان مجهز به سنسور که نصب می کنیم به ما کمک می کند تا مدل های خود را اصلاح و بهبود بخشیم. این ما را یک قدم دیگر به هدف نهایی خود نزدیک می کند: ارائه چرخش قابل اعتماد به هر مشتری. و سرعت پیشرفت ما در حال شتاب است. یکی از جالب ترین ویژگی های رویکرد جدید پیش بینی ، اثر مقیاس است. هر منبع داده جدید از هر نوع یاتاقان مجهز به سنسور که نصب می کنیم به ما کمک می کند تا مدل های خود را اصلاح و بهبود بخشیم. این ما را یک قدم دیگر به هدف نهایی خود نزدیک می کند: ارائه چرخش قابل اعتماد به هر مشتری.