Overslaan en naar de inhoud gaan
Home > Over ons > Nieuws > Project VIBMON: een op maat gemaakt monitoringsysteem als bouwsteen voor Industrie4.0

Project VIBMON: een op maat gemaakt monitoringsysteem als bouwsteen voor Industrie4.0

Productiemachines worden steeds intelligenter. Ze bevatten steeds meer sensoren om hun conditie en werking te monitoren. Bovendien zijn machines vaak geconnecteerd in een Cloud-omgeving. Hierdoor wordt het mogelijk om hun conditie en werking continu en vanop afstand te monitoren, inzichten over meerdere soortgelijke machines te vergelijken, en hun werking bij te sturen.

Figuur 1: Een lokale lager fout ontstaan door oppervlakte vermoeiing van de kogelbaan.

Productiebedrijven streven continu naar verhoogde productiviteit, onder meer door het vermijden van machinestilstanden. Deze vertegenwoordigen een hoge kostprijs omwille van gemiste omzet. Een vroege foutdetectie in bijvoorbeeld lagers (Figuur 1) en tandwielen maakt een serieuze kostenbesparing en tijdswinst mogelijk.

Maar de markt biedt hier vandaag nog geen gepaste oplossingen voor. Machine-operatoren baseren hun onderhoudsbeslissingen vaak nog op data afkomstig van de  periodieke en manuele inspectie van een enkele machine, wat niet altijd tot de juiste conclusies leidt. Bovendien laat het gesloten formaat van commerciële inspectiesystemen niet toe om verbeteringen op maat van specifieke applicaties aan te brengen en zijn de bestaande oplossingen te duur.

Een op maat gemaakt en slim monitoring systeem

In het project “Cost-Effective Vibro-Accoustic Monitoring” ontwikkelde Flanders Make samen met de projectpartners algoritmen voor het gebruik van goedkope sensoren voor permanente monitoring, die bovendien aanpasbaar zijn voor verschillende industriële applicaties.

Het monitoringsysteem bestaat uit slimme algoritmes in combinatie met sensoren, en een open embedded platform. Tezamen biedt dit mogelijkheden voor permanente conditiebewaking. Deze permanente monitoring laat productiebedrijven toe om de kwaliteit van hun producten te verhogen, de kosten van de productie te verlagen en tijd te winnen.

Figuur 2: De bouwblokken van het monitoring systeem.

Het toepassingsgebied van het ontwikkelde monitoringsysteem is toegespitst op roterende machines en in het bijzonder lagers. Lagers zijn immers onderhoudsgevoelige componenten die cruciaal zijn voor het functioneren van een machine.

Fysische inzichten leidt tot slimme algoritmes

Om tot een effectieve foutdiagnose te komen, is het belangrijk inzicht te krijgen in het faalgedrag van de relevante machinecomponenten. Het aantal faalmechanismes in lagers is zeer divers: van oppervlakte-vermoeiing tot aan smering gerelateerde faalmechanismen. 

Een groot deel van de lagerfouten ontstaan zeer lokaal en resulteren in impulsief trillingsgedrag. Andere trillingsbronnen in machines zoals tandwielen, assen en ruis maskeren typisch de effecten van lagerfouten. 

Figuur 3: De trillingen in machines is een combinatie van trillingen voornamelijk veroorzaakt door lagers, tandwielen en assen.

Om de gewenste lagerfout-gerelateerde informatie uit het trillingssignaal te isoleren, wordt gebruik gemaakt van een slim algoritme. Dit algoritme is opgebouwd uit drie signaalverwerkingsstappen.

Trillingen veroorzaakt door tandwielen zijn vaak dominant aanwezig in het trillingssignaal van roterende machines. Deze trillingen worden in de eerste stap verwijderd. 
In een tweede stap wordt de ruis in het gefilterde trillingssignaal verminderd. In de laatste stap wordt het impulsieve trillingsgedrag veroorzaakt door een lagerfout versterkt.

Figuur 4: De drie belangrijkste signaalverwerkingstappen in het algoritme: 1) verwijderen van dominante trillingen afkomstig van o.a. tandwielen, 2) verminderen van de ruis, 3) versterking van impulsief trillingsgedrag veroorzaakt door een lagerfout.

De aanwezigheid van lagerfouten wordt vervolgens gedetecteerd met hulp van het ‘squared envelope’ frequentiespectrum. De amplitude van specifieke frequenties van de lagerfout wordt gebruikt als indicator. Vervolgens wordt de berekende feature vergeleken met een vooraf bepaalde drempelwaarde. Een gezonde toestand wordt gemeld als de waarde kleiner is dan de drempel, terwijl een foutieve toestand wordt gemeld als de waarde groter is dan de drempelwaarde.

De gehele signaalverwerking en analyse wordt automatisch uitgevoerd in een embedded platform, zonder tussenkomst van een specialist. De benodigde informatie is beperkt tot de as-rotatiesnelheid en specificatie van het type lagers in de machine.

Goedkope sensoren als bouwsteen

De hoge investeringskosten is één van de knelpunten voor de brede toepassing van conditie-gebaseerde onderhoudsstrategieën. Een aanzienlijk deel van deze kosten is toe te schrijven aan de sensoren. Micro-mechanische systemen (MEMS) gebaseerde sensoren bieden een goedkoop alternatief voor duurdere high-end sensoren. MEMS accelerometers combineren economisch voordeel met een compact ontwerp, hoge gevoeligheid en temperatuurstabiliteit.

Deze MEMS accelerometers worden echter nog niet algemeen gebruikt in de industrie voor conditiemonitoring. Dit komt deels omdat ze niet altijd voldoen aan de hoge eisen voor de  bandbreedte, dynamisch bereik of benodigde lage ruisniveau. 
Wij selecteerden de MEMS accelerometer ADXL1002-50 van Analog Devices en een piëzo film accelerometer ACH-01  van Measurement Specialties. 

Figuur 5: Een marktoverzicht van goedkope analoge accelerometers. De gestippelde lijnen geven de minimale eisen aan voor conditie monitoring. De diameter van de cirkels geeft het ruisniveau aan zoals gespecificeerd door de fabrikanten.

Open en embedded ontwikkelplatform

Om machinetrillingen te meten en te verwerken, werd een embedded platform ontwikkeld. De belangrijkste ontwerpcriteria waren de compactheid, openheid, schaalbaarheid en prijs.

De ontwikkelde oplossing bestaat uit een Beaglebone Black single board computer met een Linux besturingssysteem, aangevuld met een op maat gemaakte interface. Het systeem heeft 6 analoge ingangskanalen die aan 52 kHz bemonsterd kunnen worden. Het is programmeerbaar in open-source programmeertaal Python.

  

Figuur 6: Boven: MEMS accelerometer geïntegreerd in een op maat gemaakte behuizing. Beneden: Het open en embedded ontwikkelplatform voorzien van 6 analoge ingangskanalen.

Validatie van het ontwikkelde monitoring systeem

Analyses hebben aangetoond dat de goedkope sensoren en het embedded platform gelijkwaardig presteren als hoogwaardige alternatieven. De prestatie en betrouwbaarheid van het algoritme is uitvoerig getest op verschillende types van lagers en lagerfouten. In het onderzoeksproject is gedemonstreerd dat het algoritme een kleinere fout kan detecteren (ø195 µm) dan de traditionele analysemethodes die gebruikelijk zijn in de industrie (Figuur 7). Dit maakt het mogelijk om vroegtijdig fouten te detecteren. Bovendien is het algoritme getest op een scala aan toepassingen, van eenvoudige tot meer complexe machines, zoals bijvoorbeeld een tandwielkast.

Figuur 7: Het Flanders Make algoritme detecteerde kleinere lagerfouten dan traditionele lager-monitoringmethodes.

Conclusie

De onderzoekssamenwerking tussen academische partners en industrie heeft er toe geleidt dat de vroege detectie van kleine fouten mogelijk is met slimme algoritmes en goedkope open hardware. 

Bovendien zijn de bouwstenen voorhanden die nodig zijn om de monitoringoplossing aan te passen voor specifieke industriële toepassing. Dit maakt een brede en permanente toepassing van het monitoringsysteem mogelijk op roterende machines zoals tandwielkasten, pompen, motoren, compressoren en productiemachines.

Figuur 8: Een grafische interface dat gebruikt wordt om het monitoring systeem te bedienen en de diagnose resultaten van het algoritme te tonen.

Bouwsteen voor industrie4.0

Dankzij de schaalbaarheid en openheid van het ontwikkelde conditiemonitoringsysteem kan dit geïntegreerd worden in een ‘fleet’ omgeving, waarbij een groep soortgelijke machines gelijktijdig worden gemonitord. 

Deze verdere digitalisatie (Industrie4.0 en Cloud-connectiviteit) maakt het mogelijk om data te verzamelen over machinefouten van gelijkaardige machines. Hierdoor kan de kwaliteit en betrouwbaarheid van de onderhoudsbeslissingen en bijhorende -acties verbeterd worden, resulterend in een significante vermindering van ongewenste machinestilstand. Daarnaast ondersteunt de oplossing ook belangrijke beslissingen gerelateerd aan het prestatiebeheer van machines (bijv. energie-efficiëntie, kwaliteit van het geproduceerde product). Daarbij wordt de machine-operator veel beter ondersteund bij het bepalen en uitvoeren van de optimale machine-instellingen.  Voor machinebouwers opent dit nieuwe mogelijkheden naar nieuwe business modellen op basis van digitale servitisatie waarbij niet enkel een fysisch product wordt verkocht maar ook digitale diensten voor optimaal machine-onderhoud en prestatiebeheer.

Resultaten

Dit onderzoek werd uitgevoerd in het kader van het Vibmon project door Flanders Make DecisionS corelab in samenwerking met academische partners Universiteit van Antwerpen CoSys-Lab en KU Leuven PMA. Het project is ondersteund door VLAIO.