Sztuczna inteligencja na kolei, cz. 2

Predictive maintenance

W praktyce eksploatacji pojazdów i infrastruktury stosuje się kilka sposobów zapewnienia ciągłości ruchu. Dla urządzeń i systemów o znaczeniu krytycznym wybiera się serwisowanie według resursu. Oznacza to, że pewne części i podzespoły wymienia się po upływie określonego czasu (licząc według kalendarza od daty wytworzenia lub montażu albo według ewidencji czasu pracy lub liczby wykonanych cykli pracy). W praktyce zdarza się, że wiele części i podzespołów (czasami skomplikowanych i kosztownych) trafia na złom, mimo że faktycznie nie są one ani zniszczone, ani nawet zużyte w znacznym stopniu. Takie podejście poprawia bezpieczeństwo, ale generuje dodatkowe wydatki i zwiększa całkowity koszt posiadania urządzenia.

Rozwiązanie, które stało się dostępne dzięki sztucznej inteligencji, łączy zalety wszystkich wymienionych podejść i eliminuje większość niedogodności z nimi związanych. Predictive maintenance to termin, który jest tłumaczony na język polski jako: „utrzymanie predykcyjne” lub „konserwacja predykcyjna”.

Idea jest następująca: wyposażmy każdy pojazd i podzespół w zestaw czujników mierzących jak najwięcej parametrów: temperaturę, amplitudę i częstotliwość wibracji, prędkość obrotową rotujących elementów, natężenie i częstotliwość emitowanego dźwięku, napięcie i natężenie prądu zasilającego poszczególne podzespoły, czas trwania cyklu pracy, ciśnienie w zbiornikach i jego zmiany w czasie, siłę potrzebną do uruchomienia mechanizmu, ciśnienie płynu hydraulicznego lub powietrza w siłownikach itd.

W ten sposób powstanie strumień danych, niosących ze sobą informacje o stanie urządzenia. Część z nich jest dla ludzi oczywista i łatwa w interpretacji (np. wzrost temperatury łożyska oznacza problemy ze smarowaniem), ale większość umyka naszej uwadze. Jeśli jednak dane poddamy analizie przy użyciu oprogramowania wykorzystującego algorytmy sztucznej inteligencji, wówczas okaże się, że pewne dyskretne zmiany parametrów, często pozornie ze sobą niezwiązanych, można uznać za wczesne symptomy nadmiernego zużycia elementów. Między diagnozą a awarią może upłynąć wiele godzin lub dni – to wystarczająco dużo czasu, aby zareagować i zaplanować naprawę w dogodnym momencie.

Analiza danych może przebiegać co najmniej na dwa sposoby:

• w trybie online – kiedy dane są oceniane w czasie rzeczywistym przez kontroler zainstalowany przy maszynie (w pojeździe),
• w trybie offline – jeśli dane są rejestrowane w hurtowni (np. w chmurze przedsiębiorstwa) i analizowane okresowo.

Najlepsze efekty daje połączenie obu metod, czyli korygowanie „spostrzeżeń” algorytmów pracujących w czasie rzeczywistym na podstawie odkrytych długoterminowych związków objawów z awariami.

Urządzenia wspierające zastosowanie tej metody produkuje m.in. wspomniana już firma Transmission Dynamics. Są to czujniki drgań, zamknięte w hermetycznych, odpornych na warunki środowiskowe obudowach, komunikujące się przy pomocy interfejsu Bluetooth z modułem zbierającym i transmitującym dane do systemu komputerowego. Można je umieszczać na obudowach podzespołów wymagających stałego nadzoru, np. w pobliżu łożysk osi. Wzrost amplitudy drgań pozwala rozpoznać wczesne uszkodzenia łożyska i zapobiec poważnej awarii.

Ciekawym rozwiązaniem jest inteligentny korek wlewu oleju tej samej firmy, który umożliwia:

• monitorowanie temperatury przekładni,
• pomiar wibracji (próbkowanie przy 6,4 kHz na kanał),
• wykrywanie zanieczyszczeń oleju,
• wykrywanie zjawiska „podkutego koła”,
• monitorowanie jakości szyn,
• monitorowanie stanu technicznego wału Kardana (luz wielowypustowy, wyważenie, brakujące elementy,
  zatarcie wielowypustu),
• wykrywanie problemów ze smarowaniem, wycieków oleju itp.