🛠️ Konserwacja predykcyjna — estymator pozostałego okresu użytkowania

Pozostały okres użytkowania to szacowana liczba godzin pracy, przez które maszyna może jeszcze działać, zanim jej prawdopodobieństwo awarii przekroczy nieakceptowalny próg, stale ponownie szacowana na podstawie danych o stanie na żywo, a nie ustalona z góry. Harmonogram kalendarzowy wymienia łożysko co N miesięcy niezależnie od tego, jak intensywnie było ono faktycznie eksploatowane; konserwacja predykcyjna zamiast tego obserwuje drgania, temperaturę i inne wskaźniki stanu i zaleca działanie tylko wtedy, gdy dowody wskazują, że zużycie rzeczywiście postępuje. Pozwala to uniknąć zarówno przedwczesnej wymiany zdrowych części, jak i niespodziewanych awarii części, które zużyły się szybciej, niż zakładał kalendarz.

Stała (wykładnicza) stopa awaryjności zakłada, że komponent jest równie prawdopodobny do awarii w 10. godzinie jak w 10 000. godzinie, co jest realistyczne dla losowych awarii elektronicznych, ale błędne dla mechanicznego zużycia. Funkcja hazardu rozkładu Weibulla h(t) = (β/η)(t/η)^(β–1) ma parametr kształtu β, który pozwala stopie awaryjności rosnąć wraz z wiekiem, gdy β > 1 — dokładnie taki wzorzec obserwuje się w łożyskach, przekładniach i uszczelnieniach w miarę nagromadzenia pęknięć zmęczeniowych i łuszczenia powierzchni. Ta symulacja używa trybów β > 1 (zużycie), więc chwilowe ryzyko awarii rośnie wraz z nagromadzonymi godzinami pracy, odzwierciedlając rzeczywiste statystyki awarii maszyn wirujących.

Symulacja skaluje charakterystyczny czas życia Weibulla η w dół jako potęgę mnożnika obciążenia, więc wyższe utrzymywane obciążenie skraca życie w sposób superliniowy — podobnie jak w krzywej S-N (naprężenie-życie), gdzie życie zmęczeniowe spada szybciej, niż rośnie naprężenie. Podniesienie obciążenia z 1,0× do 1,5× nie dodaje po prostu 50% więcej zużycia na godzinę; ponieważ życie skaluje się jako obciążenie do potęgi ujemnej rzędu 2 do 2,5, może to skrócić charakterystyczny czas życia o 40% lub więcej. To odzwierciedla, dlaczego nawet niewielkie obniżenie obciążenia maszyny poniżej znamionowej wydajności często daje nieproporcjonalne zyski w okresie eksploatacji.

Ukryty proces zużycia jest niewidoczny — dokładnie jak w prawdziwej maszynie, żaden czujnik nie zgłasza bezpośrednio „ułamka zużycia”. Zamiast tego symulowane odczyty drgań i temperatury są generowane z prawdziwego stanu zużycia plus niezależny szum gaussowski czujnika, a wskaźnik kondycji jest rekonstruowany przez normalizację każdego czujnika względem jego własnego zakresu od stanu bazowego do awarii i połączenie ich w ważoną sumę (drgania ważone wyżej, ponieważ rosnące drgania są zwykle najwcześniejszym i najbardziej czułym zwiastunem degradacji łożyska). Wykładnicza średnia krocząca wygładza następnie zaszumione oszacowanie próbki w stabilny trend wskaźnika kondycji, dokładnie tak jak prawdziwe systemy monitorowania stanu filtrują surowe dane z akcelerometrów i termopar przed śledzeniem trendu.

Wzięcie dystrybuanty Weibulla F(t) = 1 – exp(–(t/η)^β) i zastosowanie przekształcenia y = ln(–ln(1–F(t))) daje y = β·ln(t) – β·ln(η), co jest dokładnie liniowe względem x = ln(t). To klasyczna technika wykresu prawdopodobieństwa Weibulla stosowana w inżynierii niezawodności: przekształć oszacowane ułamki awarii z danych o stanie na pary (x,y), przeprowadź zwykłą regresję najmniejszych kwadratów, by uzyskać nachylenie (β̂) i wyraz wolny, a następnie odzyskaj skalę jako η̂ = exp(–wyraz_wolny / β̂). Symulacja stale ponownie dopasowuje tę regresję na kroczącym oknie oszacowań zużycia wyprowadzonych ze wskaźnika kondycji, więc dopasowana krzywa ryzyka adaptuje się w miarę gromadzenia większej liczby godzin dowodów.

Gdy β̂ i η̂ są dopasowane, modelowe prawdopodobieństwo awarii w dowolnym przyszłym czasie wynosi F(t) = 1 – exp(–(t/η̂)^β̂). Symulacja odwraca ten wzór, aby rozwiązać dla godziny pracy, przy której F(t) równa się niższemu progowi „planowania” (połowa ustawionego przez użytkownika progu konserwacyjnego), oraz dla godziny, przy której równa się pełnemu progowi „pilnemu”. Przedział między tymi dwoma godzinami to zalecane okno konserwacyjne: wystarczająco wczesne, by próg planowania dawał czas na zamówienie części i zaplanowanie przestoju, wystarczająco późne, by próg pilny odzwierciedlał naprawdę podwyższone ryzyko awarii. Obie granice przesuwają się na żywo wraz ze zmianą suwaka progu, obciążenia lub danych z czujników.

Regresja dopasowująca β̂ i η̂ zależy od oszacowanego ułamka zużycia wyprowadzonego z zaszumionych odczytów czujników, a zarówno nachylenie, jak i wyraz wolny dopasowania najmniejszych kwadratów są wrażliwe na rozrzut danych wejściowych, zwłaszcza wcześnie w życiu maszyny, gdy dostępne jest tylko krótkie okno godzin. Podniesienie suwaka szumu czujnika zwiększa rozrzut próbek wskaźnika kondycji, co poszerza zakres wartości β̂ i η̂, jakie dopasowanie może wygenerować z jednego przebiegu do drugiego, a tym samym sprawia, że rzutowane okno konserwacyjne skacze bardziej między ponownymi dopasowaniami — dokładnie ta niestabilność estymacji sprawia, że prawdziwe systemy monitorowania stanu preferują dłuższe okna uśredniania i wiele redundantnych czujników zamiast ufać jednemu zaszumionemu odczytowi.

Pozostały okres użytkowania zależy od trendu i kształtu degradacji w czasie, a nie od pojedynczego zrzutu odczytu. Maszyna, której drgania były płaskie przez setki godzin, oraz maszyna, której drgania właśnie zaczęły gwałtownie rosnąć, mogą wykazywać tę samą chwilową wartość, mając bardzo różne dopasowane β̂ (tempo przyspieszenia) i bardzo różny rzutowany czas do przekroczenia progu awarii. Dlatego symulacja dopasowuje krzywą do kroczącego okna historii zamiast progować bezpośrednio bieżącą wartość czujnika — pojedynczy zaszumiony wysoki odczyt nie jest dowodem nadchodzącej awarii, ale utrzymujący się trend wzrostowy zgodny z kształtem zużycia już tak.