تصور کنید یک خط تولید فولاد یا سیمان در حال فعالیت است و یکی از تجهیزات دوار آن به‌تدریج دچار مشکل می‌شود. در شرایط عادی، ممکن است خرابی بلبرینگ زمانی تشخیص داده شود که دستگاه صدای غیرعادی تولید کند، دمای آن افزایش یابد یا حتی خط تولید متوقف شود. اما اگر بتوان چند روز یا حتی چند هفته زودتر نشانه‌های اولیه خرابی را شناسایی کرد، چه اتفاقی می‌افتد؟
امروزه هوش مصنوعی (AI) و فناوری‌های پایش هوشمند وضعیت تجهیزات، امکان شناسایی زودهنگام بسیاری از عیوب مکانیکی را فراهم کرده‌اند. این فناوری‌ها با تحلیل داده‌های حاصل از لرزش، دما، صدا و سایر پارامترهای عملکردی دستگاه، می‌توانند تغییرات غیرعادی را تشخیص دهند و پیش از وقوع خرابی جدی به تیم تعمیرات هشدار بدهند.
در این مقاله بررسی می‌کنیم که هوش مصنوعی چگونه وضعیت بلبرینگ و رولبرینگ را ارزیابی می‌کند، چه فناوری‌هایی در این فرآیند نقش دارند و آیا استفاده از سیستم‌های هوشمند پایش وضعیت برای صنایع مختلف ضروری است یا خیر.
هوش مصنوعی در نگهداری و تعمیرات پیش‌بینانه چیست؟
نگهداری و تعمیرات پیش‌بینانه (Predictive Maintenance) رویکردی است که در آن به‌جای تعویض قطعات در فواصل زمانی ثابت یا انتظار برای وقوع خرابی، وضعیت واقعی تجهیزات به‌صورت مستمر یا دوره‌ای بررسی می‌شود.
در این روش، حسگرهای نصب‌شده روی تجهیزات اطلاعاتی مانند میزان لرزش، دمای کاری، سرعت چرخش و وضعیت روانکاری را جمع‌آوری می‌کنند. سپس نرم‌افزارهای تحلیلی و الگوریتم‌های هوش مصنوعی این اطلاعات را بررسی کرده و الگوهای غیرعادی را شناسایی می‌کنند.
برای مثال، اگر الگوی لرزش یک الکتروموتور به‌تدریج تغییر کند، سیستم می‌تواند احتمال وجود آسیب در مسیر غلتش بلبرینگ را بررسی کند؛ حتی زمانی که هنوز صدای غیرعادی یا افزایش دمای محسوسی وجود ندارد.
تفاوت اصلی این روش با تعمیرات سنتی در آن است که تصمیم‌گیری درباره زمان بازرسی و تعمیر، بر اساس شرایط واقعی تجهیز انجام می‌شود، نه صرفاً یک برنامه زمانی از پیش تعیین‌شده.
هوش مصنوعی چگونه خرابی بلبرینگ را تشخیص می‌دهد؟
برای تشخیص وضعیت بیرینگ، هوش مصنوعی به داده‌های واقعی از عملکرد دستگاه نیاز دارد. این اطلاعات معمولاً از طریق حسگرهای صنعتی و سیستم‌های پایش وضعیت جمع‌آوری می‌شوند.
مهم‌ترین مراحل این فرآیند عبارت‌اند از:
۱. جمع‌آوری اطلاعات از طریق حسگرها
در مرحله نخست، حسگرهای مختلف روی نقاط مناسب دستگاه نصب می‌شوند تا اطلاعات عملکردی را ثبت کنند.
مهم‌ترین داده‌های مورد استفاده عبارت‌اند از:
- لرزش (Vibration): برای شناسایی نابالانسی، ناهم‌محوری و عیوب اجزای داخلی بیرینگ.
- دما (Temperature): برای تشخیص افزایش غیرعادی دمای ناشی از اصطکاک، بارگذاری نامناسب یا مشکلات روانکاری.
- صدا (Acoustic Monitoring): برای شناسایی تغییرات الگوی صوتی و نشانه‌های اولیه آسیب مکانیکی.
- جریان الکتریکی (Motor Current): برای بررسی تغییرات رفتار الکتروموتور و شناسایی برخی ناهنجاری‌های مرتبط با بار و وضعیت مکانیکی.
- وضعیت روانکار: برای بررسی آلودگی، وجود ذرات ناشی از سایش و تغییر شرایط روانکاری.
ترکیب این اطلاعات می‌تواند تصویر دقیق‌تری از وضعیت واقعی تجهیزات ارائه دهد.
۲. تحلیل داده‌ها با الگوریتم‌های هوش مصنوعی
پس از جمع‌آوری داده‌ها، الگوریتم‌های یادگیری ماشین (Machine Learning) و یادگیری عمیق (Deep Learning) اطلاعات را تحلیل می‌کنند.
این الگوریتم‌ها با بررسی الگوهای عملکردی عادی و مقایسه آن‌ها با شرایط فعلی دستگاه، می‌توانند تغییرات غیرطبیعی را تشخیص دهند.
برای مثال، ممکن است میزان کلی لرزش دستگاه هنوز در محدوده قابل‌قبول باشد، اما تغییر در فرکانس‌های مشخص نشان‌دهنده شروع آسیب در رینگ داخلی، رینگ خارجی یا عناصر غلتشی باشد.
هوش مصنوعی می‌تواند چنین الگوهایی را شناسایی کند؛ کاری که تشخیص آن صرفاً با مشاهده دمای دستگاه یا شنیدن صدای آن همیشه امکان‌پذیر نیست.
۳. شناسایی نوع خرابی و محل آسیب
یکی از قابلیت‌های مهم سیستم‌های هوشمند، کمک به تشخیص نوع و محل احتمالی عیب است.
در بیرینگ‌های غلتشی، برخی از عیوب رایج عبارت‌اند از:
- خرابی رینگ داخلی (Inner Race Defect)
- خرابی رینگ خارجی (Outer Race Defect)
- آسیب عناصر غلتشی (Rolling Element Defect)
- خرابی قفسه (Cage Defect)
- سایش و تخریب سطحی
- مشکلات مرتبط با روانکاری
هرکدام از این عیوب می‌توانند الگوهای مشخصی در سیگنال‌های لرزش و صدا ایجاد کنند. الگوریتم‌های پردازش سیگنال و هوش مصنوعی با بررسی این الگوها به شناسایی نوع آسیب کمک می‌کنند.
البته تشخیص قطعی باید با درنظرگرفتن شرایط بار، سرعت، ساختار دستگاه و نتایج بازرسی فنی انجام شود.
آیا هوش مصنوعی می‌تواند زمان دقیق خرابی بلبرینگ را پیش‌بینی کند؟
یکی از جذاب‌ترین قابلیت‌های فناوری‌های جدید، تخمین عمر باقی‌مانده قطعه یا Remaining Useful Life (RUL) است.
در این روش، سیستم با بررسی روند تغییرات وضعیت بیرینگ، تلاش می‌کند تخمین بزند که قطعه چه مدت دیگر می‌تواند با شرایط قابل‌قبول به فعالیت خود ادامه دهد.
برای مثال، اگر اطلاعات ثبت‌شده نشان دهد که سطح لرزش یک بیرینگ در چند هفته گذشته به‌تدریج افزایش یافته است، الگوریتم می‌تواند روند تخریب را تحلیل کرده و یک بازه تخمینی برای عمر باقی‌مانده ارائه دهد.
بااین‌حال، این تخمین به عوامل متعددی وابسته است:
- میزان و نوع بار واردشده به بیرینگ
- سرعت چرخش و تغییرات آن
- دمای محیط و شرایط کاری
- کیفیت روانکاری
- میزان آلودگی و ورود ذرات خارجی
- سابقه تعمیرات و شرایط نصب
بنابراین، پیش‌بینی عمر باقی‌مانده یک برآورد مبتنی بر داده و احتمال است، نه اعلام یک تاریخ قطعی برای خرابی.
نقش اینترنت اشیا و حسگرهای هوشمند در پایش بلبرینگ
هوش مصنوعی به‌تنهایی نمی‌تواند وضعیت بیرینگ را تشخیص دهد. برای عملکرد صحیح این فناوری، باید اطلاعات دقیق و قابل‌اعتماد از تجهیزات جمع‌آوری شود.
اینجاست که اینترنت اشیای صنعتی (IIoT) وارد عمل می‌شود.
در سیستم‌های مبتنی بر IIoT، حسگرهای هوشمند اطلاعات را از تجهیزات دریافت کرده و از طریق شبکه به سامانه‌های پردازش و تحلیل منتقل می‌کنند.
در نسل جدید این سیستم‌ها، بخشی از پردازش اطلاعات می‌تواند مستقیماً در نزدیکی دستگاه و روی تجهیزات محاسباتی لبه (Edge Computing) انجام شود. این روش باعث کاهش تأخیر در تحلیل داده‌ها و وابستگی کمتر به انتقال دائمی اطلاعات به فضای ابری می‌شود.
به این ترتیب، واحد تعمیرات می‌تواند وضعیت چندین الکتروموتور، پمپ، گیربکس یا فن صنعتی را از طریق یک داشبورد مرکزی کنترل کند و در صورت مشاهده تغییرات غیرعادی، هشدار دریافت کند.
مزایای استفاده از هوش مصنوعی در تشخیص خرابی بیرینگ
استفاده از سیستم‌های پایش هوشمند می‌تواند مزایای متعددی برای واحدهای صنعتی داشته باشد:
۱. کاهش توقف ناخواسته خط تولید
شناسایی زودهنگام نشانه‌های خرابی، فرصت کافی برای برنامه‌ریزی تعمیرات پیش از توقف ناگهانی دستگاه فراهم می‌کند.
۲. کاهش هزینه‌های تعمیرات
با تشخیص به‌موقع مشکلات، می‌توان از گسترش آسیب به شفت، هوزینگ، گیربکس و سایر اجزای مرتبط جلوگیری کرد.
۳. افزایش عمر مفید تجهیزات
شناسایی مشکلاتی مانند روانکاری نامناسب، بارگذاری غیرطبیعی و ارتعاشات غیرمجاز به اصلاح شرایط کاری و افزایش عمر قطعات کمک می‌کند.
۴. مدیریت بهتر موجودی قطعات یدکی
وقتی زمان تقریبی نیاز به تعویض بیرینگ مشخص‌تر باشد، واحد تأمین می‌تواند قطعات موردنیاز را با برنامه‌ریزی مناسب تهیه کند.
۵. افزایش ایمنی و قابلیت اطمینان تجهیزات
تشخیص زودهنگام شرایط غیرعادی در تجهیزات حساس، احتمال بروز خرابی‌های گسترده و حوادث ناشی از آن را کاهش می‌دهد.
آیا استفاده از سیستم‌های هوش مصنوعی برای همه صنایع ضروری است؟
پاسخ منفی است. اجرای سیستم‌های پیش‌بینی خرابی برای تمام تجهیزات و خطوط تولید، همیشه از نظر اقتصادی توجیه‌پذیر نیست.
در انتخاب تجهیزات برای پایش هوشمند باید میزان اهمیت دستگاه در فرآیند تولید، هزینه توقف، ارزش قطعات، شرایط کاری و احتمال خرابی در نظر گرفته شود.
برای مثال، استفاده از سیستم‌های پایش پیشرفته در تجهیزات زیر می‌تواند اهمیت بیشتری داشته باشد:
- آسیاب‌های صنعتی و تجهیزات خردایش در صنایع سیمان و معدن
- الکتروموتورهای بزرگ در خطوط تولید فولاد
- کمپرسورها و پمپ‌های صنعتی
- فن‌های بزرگ و سیستم‌های تهویه صنعتی
- گیربکس‌های سنگین و تجهیزات انتقال قدرت
- ماشین‌آلاتی که توقف آن‌ها باعث اختلال در کل خط تولید می‌شود
در مقابل، برای تجهیزات کم‌اهمیت‌تر ممکن است بازرسی دوره‌ای و اندازه‌گیری دستی لرزش، راهکار اقتصادی‌تری باشد.
برای شروع پایش هوشمند بیرینگ‌ها چه مراحلی لازم است؟
پیاده‌سازی موفق نگهداری و تعمیرات پیش‌بینانه الزاماً به معنای نصب حسگر روی تمام دستگاه‌ها و خرید نرم‌افزارهای پیچیده نیست.
یک مسیر منطقی می‌تواند شامل مراحل زیر باشد:
۱. شناسایی تجهیزات حیاتی و تعیین نقاطی که خرابی آن‌ها بیشترین خسارت را ایجاد می‌کند.
۲. بررسی وضعیت فعلی بیرینگ‌ها و ثبت اطلاعات پایه شامل دما، لرزش، سرعت و شرایط بارگذاری.
۳. انتخاب حسگرهای مناسب و نصب آن‌ها در نقاط صحیح و قابل‌اعتماد.
۴. جمع‌آوری داده در شرایط مختلف کاری و ایجاد سابقه عملکرد تجهیزات.
۵. استفاده از نرم‌افزارهای تحلیل داده و الگوریتم‌های تشخیص ناهنجاری برای شناسایی تغییرات غیرعادی.
۶. تعریف آستانه‌های هشدار و برنامه‌ریزی بازرسی و تعمیرات بر اساس نتایج تحلیل.
۷. ارزیابی عملکرد سیستم و اصلاح مدل‌ها بر اساس نتایج واقعی تعمیرات و بازرسی‌ها.
نکته مهم این است که کیفیت داده‌ها، نصب صحیح حسگرها و شناخت فنی دستگاه به‌اندازه خود الگوریتم هوش مصنوعی اهمیت دارند.
آینده نگهداری و تعمیرات صنعتی؛ حرکت از تعمیرات واکنشی به تجهیزات هوشمند
فناوری‌های هوش مصنوعی، اینترنت اشیای صنعتی و تحلیل داده در حال تغییر شیوه مدیریت تجهیزات دوار هستند. امروزه سیستم‌های جدید می‌توانند علاوه بر شناسایی تغییرات غیرعادی، اطلاعات چند حسگر را با یکدیگر ترکیب کنند و تصویر جامع‌تری از وضعیت دستگاه ارائه دهند.
با توسعه پردازش لبه و الگوریتم‌های یادگیری عمیق، امکان تحلیل سریع‌تر اطلاعات و ارائه هشدارهای دقیق‌تر نیز در حال گسترش است.
بااین‌حال، حتی پیشرفته‌ترین سیستم‌های پایش وضعیت نمی‌توانند جایگزین انتخاب صحیح بیرینگ، نصب اصولی، روانکاری مناسب و بازرسی فنی شوند.
در نهایت، بهترین راهکار برای افزایش قابلیت اطمینان تجهیزات صنعتی، ترکیب دانش مهندسی بیرینگ با فناوری‌های نوین پایش وضعیت و نگهداری پیش‌بینانه است. این ترکیب به صنایع کمک می‌کند پیش از تبدیل یک نقص کوچک به یک خرابی پرهزینه، برای رفع آن اقدام کنند.