80年代起,預知維護作法陸續出現期刊論文中。從文獻中得知,一個設備失效歷程依序為:振動/滑油化驗、聲音、高溫、冒煙等,因此為能即早獲得設備異常失效,常會使用振動傳感器檢測設備。
然而振動值大小先判斷設備是否正常/異常(例如參考ISO標準),再導入AI再來分類故障原因,真能達成預知維護之成效?以下我們來看一個泵異常造成冒煙的例子。
這泵在晚上18:00開始冒煙,振動趨勢也劇烈增加,至接近21:00轉台。
這過程要省思有兩點:
- 在冒煙前,振動量維持在1.45mm/sec,這數值在使用ISO相關標準做狀況判斷依據,是屬於正常範圍。若用這標準作檢測,只有三小時反應時間,這三小時預警有達到預知維護成效嗎? 再細想,如果是用點檢或是量測週期超過三小時的系統,這事件應該很難發現。
- 再細想,如果是用點檢或是量測週期超過三小時的系統,這事件應該很難發現。
如果這狀況使用XWIN軸承失效分析模組,對照振動量趨勢,在一個月前即檢出軸承失效,如下圖所示。
在使用振動做監診訊號,執行上並不是在做振動總量控制,而是透過振動找到設備先找出失效徵兆,再進行定量,透過RCM標準之『設備+失效模式+程度/趨勢』管理,才是預知維護機制的目的。
另外,值得一提的是,本例為何已經一個月前預警軸承異常,為何還會放其劣化到冒煙程度?這一段的挑戰,是智能維護方式展開過程會遭遇的維護觀念上的衝擊,唯有持續事前檢出失效,增加現場大夥的信心,這也是XWIN信念:先去empower人,再由empowered人趨動組織成長的過程。 這是另一章的故事。