System diagnostyki maszyn to układ, który zamienia pomiary fizyczne – przede wszystkim drgania, temperaturę i hałas – w informację o stanie technicznym urządzenia. Jego działanie przebiega w łańcuchu: czujnik rejestruje sygnał, oprogramowanie go przetwarza, algorytm porównuje wynik z normą lub wzorcem, a system wskazuje stan maszyny i możliwe działanie serwisowe. Dzięki temu utrzymanie ruchu może przejść od naprawy po awarii do planowania prac na podstawie rzeczywistego zużycia.
Czym jest Condition Monitoring?
Condition Monitoring, czyli diagnostyka stanu, polega na obserwowaniu parametrów pracy maszyny i śledzeniu ich zmian w czasie. System nie ocenia urządzenia wyłącznie na podstawie kalendarza przeglądów. Sprawdza, jak maszyna faktycznie pracuje i czy pojawiają się symptomy niewyważenia, niewspółosiowości, luzów, zużycia łożysk albo uszkodzeń przekładni.
W podejściu reaktywnym naprawa zaczyna się dopiero po wystąpieniu awarii. Diagnostyka predykcyjna pozwala wcześniej wykryć odchylenie, określić jego kierunek i zaplanować serwis w czasie, który ogranicza ryzyko nieplanowanego przestoju. Nie oznacza to, że system przewiduje każdą awarię. Dostarcza raczej obiektywnych danych do oceny ryzyka i decyzji eksploatacyjnych.
Jakie dane zbiera system diagnostyki maszyn?
Warstwa pomiarowa musi rejestrować zjawiska, które zmieniają się wraz ze stanem technicznym urządzenia. W maszynach wirujących podstawą są drgania, ale w zależności od zastosowania system korzysta także z innych źródeł informacji:
- Drgania – akcelerometry piezoelektryczne lub czujniki MEMS mierzą przyspieszenie drgań. Ich sygnał może ujawnić między innymi niewyważenie, niewspółosiowość i defekty łożysk.
- Temperatura – wzrost temperatury obudowy, łożyska lub silnika może wskazywać na przeciążenie, pogorszenie smarowania albo problem z odprowadzaniem ciepła.
- Hałas i sygnały akustyczne – mikrofony pomiarowe oraz czujniki akustyczne rejestrują zmiany emisji dźwięku, przydatne szczególnie przy wykrywaniu tarcia, nieszczelności i zjawisk wysokoczęstotliwościowych.
- Telemetria – prędkość obrotowa, obciążenie, ciśnienie, pobór energii, położenie lub dane sterownika uzupełniają obraz warunków pracy maszyny.
Znaczenie ma nie tylko rodzaj czujnika, lecz także jego montaż, miejsce pomiaru i częstotliwość próbkowania. Zbyt wolne próbkowanie może pominąć istotne składowe sygnału. Z kolei niewłaściwie zamocowany akcelerometr może wprowadzić zakłócenia, których późniejsza analiza nie usunie. Elektronika pomiarowa może przetwarzać dane w czasie rzeczywistym, zapisywać je lokalnie albo przesyłać do serwera przez system telemetryczny.
Jak surowe dane stają się diagnozą?
Droga od pomiaru do decyzji serwisowej składa się z kilku etapów. Najłatwiej prześledzić ją w kolejności, w jakiej system przetwarza informację:
- Pomiar sygnału – czujnik rejestruje przebieg drgań, temperaturę, hałas lub parametr procesowy. Na tym etapie system gromadzi dane w domenie czasu, czyli informację o tym, jak wartość zmieniała się w kolejnych chwilach.
- Przetwarzanie sygnału – oprogramowanie filtruje zakłócenia, oblicza wartości wskaźnikowe i może zastosować FFT, czyli szybką transformatę Fouriera. FFT przekształca przebieg z domeny czasu do domeny częstotliwości. Dzięki temu można zobaczyć, przy jakich częstotliwościach występują składowe drgań i powiązać je z prędkością obrotową, łożyskiem, przekładnią lub innym elementem.
- Porównanie z normą albo wzorcem – wynik jest odnoszony do wartości referencyjnych, wcześniejszych pomiarów, modelu fizycznego lub ustalonych progów alarmowych. Normy z rodziny ISO 10816 i ISO 20816 stanowią punkt odniesienia dla oceny drgań maszyn, ale konkretna interpretacja zależy od typu, mocy, sposobu zamocowania i warunków pracy urządzenia.
- Klasyfikacja stanu – system przypisuje wynik do określonej kategorii, na przykład normalnej, ostrzegawczej albo nieprawidłowej. Może także wskazać prawdopodobny typ uszkodzenia, stopień jego rozwoju i zalecenie dotyczące dalszej obserwacji lub weryfikacji serwisowej.
Analiza widmowa nie zastępuje pomiaru. Jeżeli dane z czujnika są zebrane w niewłaściwym punkcie lub przy niestabilnych warunkach pracy, nawet poprawnie wykonana FFT może prowadzić do błędnych wniosków. Dlatego diagnostyka drganiowa łączy pomiar, wiedzę o konstrukcji maszyny, prędkość obrotową i historię zmian.
Diagnostyka klasyczna a wsparcie AI
Klasyczna diagnostyka opiera się na prawach fizyki, analizie sygnałów i progach ustalonych na podstawie norm lub doświadczenia inżynierskiego. Sztuczna inteligencja może ułatwiać interpretację dużej liczby pomiarów, rozpoznawać powtarzalne wzorce i analizować trendy, ale nie zastępuje poprawnie zebranych danych ani modelu działania maszyny.
| Cecha | Diagnostyka klasyczna | Diagnostyka AI |
|---|---|---|
| Podstawa analizy | Prawa fizyki, FFT, widma, normy i progi alarmowe | Wzorce, trendy i modele wyuczone na danych |
| Wykrywanie usterek | Ocena charakterystycznych częstotliwości i poziomów drgań | Rozpoznawanie podobieństwa do znanych przypadków i zmian nietypowych |
| Interpretacja wyników | Wymaga wiedzy eksperta i znajomości konstrukcji maszyny | Może objaśniać wynik, porządkować symptomy i wspierać Root Cause Analysis |
| Wymagania danych | Poprawny pomiar, właściwe progi i kontekst pracy | Te same wymagania oraz odpowiednio reprezentatywne dane do wzorcowania |
W praktyce spotyka się rozwiązania dwuwarstwowe. Pierwsza warstwa analizuje drgania i trendy w sposób deterministyczny. Druga wykorzystuje AI do opisania wyniku prostszym językiem, zestawienia go z wcześniejszymi przypadkami albo przygotowania raportu. Przykładem takiej koncepcji jest platforma ADVISOR z asystentem AIDY Pro, gdzie sztuczna inteligencja pełni funkcję interpretacyjną. Nie „zgaduje” stanu maszyny niezależnie od pomiaru, lecz pracuje na danych i diagnozie przygotowanej przez silnik analityczny.
Podobną logikę może wykorzystywać system przeznaczony dla maszyn rolniczych. Projekt AGRO-AI, rozwijany przez Wydział Elektryczny Politechniki Białostockiej we współpracy z SaMASZ, zakłada użycie telemetrii i algorytmów AI do monitorowania obciążenia, rozpoznawania uszkodzeń oraz planowania konserwacji. W takim zastosowaniu pomiar stanu technicznego może być łączony z informacją o pracy maszyny i warunkach wykonywania zadania.
Jak system komunikuje stan maszyny?
Końcowy wynik powinien być zrozumiały dla osoby odpowiedzialnej za utrzymanie ruchu. System może prezentować alerty, wykresy trendów, widma FFT oraz klasy stanu. Przykładowa skala obejmuje poziom normalny, ostrzegawczy i nieprawidłowy. W innych rozwiązaniach stosuje się cztery strefy od A do D, gdzie A oznacza bardzo dobry stan, B możliwość dalszej pracy, C stan niezalecany do długiej eksploatacji, a D poziom krytyczny.
Progi alarmowe nie są uniwersalne dla każdej maszyny. Mogą wynikać z norm, dokumentacji urządzenia, pomiaru bazowego albo doświadczeń zakładu. System zapisuje kolejne wartości, przebiegi i widma, dzięki czemu można obserwować trend, a nie tylko pojedynczy alarm. Gdy wynik wskazuje stan nieprawidłowy, raport automatyzuje przekazanie informacji, lecz decyzja o zatrzymaniu lub serwisie powinna uwzględniać kontekst pracy i w razie potrzeby zostać potwierdzona przez diagnostę.
Najważniejsza zasada jest prosta: czujnik dostarcza dane, analiza fizyczna nadaje im znaczenie, a AI może przyspieszyć ich interpretację. Dopiero ten kompletny łańcuch pozwala zamienić pomiar drgań lub temperatury w decyzję dotyczącą dalszej eksploatacji maszyny.
