CC BY
109
УДК 621.90.02
ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА ТЕХНИЧЕСКОГО ОБСЛУЖИВАНИЯ ПРОМЫШЛЕННОГО ОБОРУДОВАНИЯ НА ОСНОВЕ ПРОГНОЗНОЙ МОДЕЛИ
А.В. Ковалев, В. С. Сальников
Рассмотрены вопросы, связанные с эксплуатацией дорогостоящего сложного оборудования в условиях необходимости импортозамещения на отечественных производствах. Поведен анализ существующих подходов и методик по своевременному техническому обслуживанию и ремонту (ТОиР) оборудования для поддержания его непрерывной работоспособности. Выявлены их характерные достоинства и недостатки и предложены пути их устранения. Одним из таких путей является применение прогнозирования при планировании работ по техническому обслуживанию и ремонту на основе данных безразборной диагностики.
Ключевые слова: техническое обслуживание, прогноз, тренд, износ, диагностический сигнал, вибросигнал, ПИД-алгоритм.
Тенденции современного производства связаны с постоянно возрастающими требованиями к производительности оборудования, точности позиционирования, качеству обрабатываемых поверхностей и снижению затрат на производство. Для отечественных машиностроительных предприятий характерны высокие затраты на техническое обслуживание и ремонт.
Техническое обслуживание и ремонт (ТОиР) по фактическому состоянию технологического оборудования, определяемому с помощью средств безразборной диагностики, снижают затраты, связанные с регламентными работами, на 20-25 % по сравнению с планово-предупредительным ремонтом [1]. Однако одной диагностики недостаточно, так как возникает необходимость в больших складских запасах всех узлов, особенно если оборудование на предприятии разноплановое. Снижения затрат на складское хранение можно достичь заказом нужных узлов строго по необходимости, опираясь на данные диагностики [2]. Но низкое развитие логистической системы в нашей стране, высокая доля импортного оборудования делают оперативную доставку невозможной. Отсюда возникает потребность прогнозирования момента наступления возможной неисправности по данным диагностики. Однако в настоящее время отсутствуют прогнозные модели, которые учитывали бы изменяющиеся во времени статистические характеристики эксплуатируемого оборудования и обладали высокой точностью. Поэтому возникает необходимость разработки адекватного математического описания прогноза, алгоритмов прогнозирования, выбора диагностического сигнала и методики сбора диагностических данных.
В работе [3] была предложена прогнозная модель на основе истории наблюдения за изменением диагностического сигнала. В основе прогнозной модели лежит показательная функция, используемая в статистическом
анализе для построения постоянно растущего тренда. Данная кривая описывает монотонно нарастающий диагностический сигнал с высокой точностью. Тренд характеризует величину диагностического сигнала в будущие моменты времени. Установив предельно допустимый уровень диагностического сигнала, можно использовать технологическое оборудование с его максимальной загрузкой, а спрогнозированное время наступления предельно допустимой величины диагностического сигнала позволяет назначить работу по техническому обслуживанию и ремонту оборудования.
Однако, как показывает практика, вследствие нарушения установленных режимов резания, использования дефектного инструмента и оснастки, применения некачественных смазочно-охлаждающих жидкостей, ошибок операторов встречаются скачкообразные изменения величины диагностического сигнала в истории наблюдения. Они приводят к значительным отклонениям тренда снимаемой характеристики. Для компенсации подобных явлений и повышения качества прогноза в работе [4] предложено использовать наравне с традиционной статической моделью элементы ПИД-алгоритма.
Таким образом, пропорциональная составляющая применяемого алгоритма сглаживает отклонение тренда от фактических значений диагностического сигнала в текущий момент времени. К основным преимуществам пропорционального регулирования прогноза можно отнести относительную простоту расчета. Качество прогноза определяется величиной пропорциональной составляющей. Она имеет ограничения по точности в прогнозах, построенных на диагностических сигналах, характеризуемых большой инерционностью и запаздыванием.
Дифференциальная составляющая алгоритма определяет величину ошибки прогноза в будущем и реагирует на тенденцию её изменения. Эта составляющая позволяет добиться наибольшего быстродействия при коррекции тренда. Основным недостатком дифференциальной составляющей является низкая защищенность от шумов. Это способствует отклику построенного тренда даже на незначительные изменения диагностического сигнала, вызванные возмущающими воздействиями окружающей среды и т.д. Интегральная составляющая предложенного алгоритма накапливает ошибку за всё время наблюдения и сглаживает шумы в диагностическом сигнале, что приводит к повышению точности прогноза. Это достигается за счет того, что входной сигнал в каждый момент времени пропорционален интегралу ошибки. Соответственно интегральная компонента откликается только на длительные отклонения входных и выходных величин, а кратковременные отклонения сглаживаются. Ошибки в той или иной мере присутствуют всегда, и постоянное их накопление приводит к снижению адекватности алгоритма и соответственно к увеличению ошибки прогноза. Несмотря на высокую точность интегральной составляющей, в переходных режимах она приводит к снижению быстродействия и возникновению колебательности в тренде [4]. Несмотря на сложность учета предложенных
составляющих в прогнозной модели, она является весьма перспективной для применения в условиях реального производства. Для качественного прогноза технического состояния помимо самой прогнозной модели необходим и достоверный диагностический сигнал.
Широкое применение в качестве диагностического сигнала нашли всевозможные виды вибросигналов. Любое технологическое оборудование представляет собой сложную кинематическую систему со множеством движущихся пар. Эксплуатация любых динамических элементов станка, таких, как подшипники, валы, муфты, шестерни, шпиндели, сопровождается вибрацией. Вибрация характеризуется амплитудой, виброскоростью, виброускорением, частотой колебаний [5,6]. Любые физические изменения в динамических узлах станка сопровождаются изменениями характеристик вибросигнала. Обычно реальные сигналы сложны по своей структуре, и для их анализа используются различные математические описания. Каждому моменту времени соответствует мгновенное значение вибросигнала, которое характеризует его локально, например, пиковые значения. С точки зрения прогноза важны интегральные параметры сигнала, дающие понятие о его поведении во времени, в прошлом и главное в будущем. Для идентификации диагностических данных необходимо использовать спектры этих сигналов [7]. Временная реализация вибрации несет в себе большое количество информации. Часть этой информации приходится на очень слабые компоненты. Однако эти компоненты могут быть важны для выявления развивающихся неисправностей, например, дефектов подшипников. Сама суть диагностики и прогнозирования заключается в раннем обнаружении зарождающихся неисправностей, поэтому необходимо обращать внимание на чрезвычайно малые уровни вибрационного сигнала и следить за тенденцией его изменения. Среднеквадратичное значение вибросигнала не может не распознать зарождающиеся дефекты.
Для проведения спектрального анализа необходимо классифицировать снимаемый сигнал. Обычно металлообрабатывающему оборудованию соответствует стационарный детерминированный сигнал. Стационарный сигнал имеет постоянные по времени статистические параметры, общий уровень, распределение амплитуды. Детерминированным считается сигнал, величину которого можно предсказать в любой момент времени. Для преобразования вибросигнала из временной области в частотную применяют преобразование Фурье. Такое преобразование сжимает всю информацию, содержащуюся в диагностическом сигнале, до единственной точки в спектральной характеристике. Её амплитудное значение позволяет судить о техническом состоянии исследуемого узла и выявить зависимость изменения данного сигнала во время эксплуатации оборудования. Это подтверждает целесообразность разложения диагностического вибросигнал в ряд Фурье.
Совместное использование разработанной модели прогноза и высокоинформативного диагностического сигнала, с учетом малой трудоемкости его получения, весьма перспективно для организации интел-
лектуальной системы технического обслуживания и ремонта металлообрабатывающего оборудования. При практической реализации предложенного подхода к организации системы технического обслуживания промышленного оборудования на одном из ведущих промышленных предприятий города Тулы в качестве объекта диагностирования был выбран вертикальный обрабатывающий центр, оснащенный высокоскоростным шпинделем.
Период наблюдения за оборудованием составил один год с момента ввода его в эксплуатацию. Производство характеризуется частой сменой обрабатываемых материалов, типов используемых инструментов и режимов резанья, номенклатурой выпускаемых изделий. Данному оборудованию свойственны динамические нагрузки и неравномерный износ узлов. Диагностический вибросигнал сигнал снимается со шпиндельного узла. Данные наблюдения за исследуемым объектом представлены на рис. 1.
у
0,4 0.35 0,3 0.25 0.2 0,15 0,1 0.05
О "I-\-\-\---г-г-\-\-\-\---\-\-\-\-7
Рис.1. Изменения диагностического сигнала: у - значение диагностического сигнала; * - время эксплуатации оборудования
На рис. 1 по оси ординат отложены значения амплитуды виброакустического сигнала, разложенного в ряд Фурье на частоте 1050 Ш, на оси абсцисс дано время работы шпинделя в режиме резания в чсах.
Для проверки прогнозных свойств предложенной модели построим тренд изменения диагностического сигнала по данным, полученным с момента начала эксплуатации оборудования и до пятисот часов работы в режиме резания. На рис. 2 представлен тренд износа шпиндельного узла (ШУ) по данным диагностики. Прогноз строился исключительно по множеству точек из области 1. Набор множества точек из области 2 служит для оценки точности полученного прогноза.
Кривая прогноза износа шпиндельного узла, построенная по короткой истории наблюдения, с помощью статистической функции и использованием алгоритма ПИД-управления, в области 2 имеет незначительные от-
клонения от фактического уровня диагностического сигнала на всем периоде наблюдения. Прогноз, построенный по данным диагностики после 500 ч. работы, остается актуальным в течение длительного временного интервала, как видно из рис. 2. Использование разработанной прогнозной модели в условиях реального производства подтверждает её высокие теоретические оценки.
о —Ц— , | , | , | , | , | , | , | , | ,1
В I 4 в & 1С 12 14 16
Ь
Рис. 2. Тренд износа ШУ: у- значение диагностического сигнала;
1х - условный момент времени; 1 - область наблюдения; 2 - область
прогноза
Применение предложенного подхода при организации ТОиР любых технологических комплексов позволит снизить затраты на эксплуатацию оборудования, а следовательно, и все издержки, связанные с организацией производства, в том числе и складские расходы. В рамках всего предприятия полученная экономия окажется весьма существенной. Совмещение оперативной безразборной диагностики и прогнозной модели позволит уменьшить время незапланированных простоев, связанных с аварийными ситуациями, спланировать и повысить эффективность работы ремонтной службы предприятия. Тем самым будет обеспечена ритмичная, плановая работа оборудования по выпуску продукции.
Список литературы
1. Мониторинг состояния технологического оборудования на промышленных предприятиях / М.П. Козочкин, Ф.С. Сабиров, А.Н. Боган [и др.] // Вестник УГАТУ. 2013. №8 (61). С. 56 - 62.
269
2. Кольцов А. Г. Диагностика технического состояния металлорежущего оборудования // Омский научный вестник. 2011. №. 3 (103). С. 79 - 82.
3. Ковалев А.В., Трушин Н.Н., Сальников В.С. Прогнозирование технического состояния технологического оборудования // Известия Тульского государственного университета. Технические науки. 2014. Вып. 11: в 2 ч. Ч. 2. C. 554 - 560.
4. Ковалев А.В., Сальников В.С. ПИД-регулирование при прогнозировании износа промышленного оборудования // Техника и технологии: инновации и качество: материалы III Международной научно-практической конференции. Барановичи: Изд-во БарГУ, 2015. C. 89 - 91.
5. Идрисова Ю.В., Кудояров Р.Г., Фецак С.И. Метод оперативной диагностики технического состояния приводов металлообрабатывающих станков // Вестник Уфимского ГАТУ. 2012. Т. 16. №. 4 (49). С. 113 - 119.
6. Техническое обслуживание и ремонт металлообрабатывающих станков с ЧПУ на основе безразборной диагностики технического состояния / В.И. Писарев, А. А. Ваганов, О.И. Денисенко [и др.] // Известия Самарского научного центра Российской академии наук. 2014. Т. 16. №. 1(2). С.508 - 514.
7. Шадский Г.В., Ерзин О.А., Рожков С.В. О диагностике технического состояния узлов металлорежущих станков // Известия Тульского государственного университета. Технические науки. 2014. Вып. 5. С.144 - 150.
Ковалев Андрей Владимирович, асп., a.w-91@mal.ru, Россия, Тула, Тульский государственный университет,
Сальников Владимир Сергеевич, д-р техн. наук, проф., vsalnikov.prof@yandex.ru, Россия, Тула, Тульский государственный университет
INTELLIGENT SYSTEM OF MAINTENANCE OF INDUSTRIAL EQUIPMENT BASED
ON FORECAST MODEL
A.V. Kovalyov, V.S. Salnikov
The questions connected with operation of the expensive complex equipment in the conditions of necessity of import substitution in domestic manufactures are considered. The analysis of existing approaches and techniques for timely maintenance and repair of equipment to maintain its continuous performance is analyzed. Their characteristic advantages and disadvantages are revealed and ways of their elimination are offered. One such path is the use of forecasting in the planning of maintenance and repair work based on the data of the CIP.
Key words: maintenance, forecast, trend, wear, diagnostic signal, vibration signal, PID algorithm.
Kovalyov Andrey Vladimirovich, postgraduate, a.w-91@mail.ru, Russia, Tula, Tula State University,
Salnikov Vladimir Sergeevich, doctor of technical sciences, professor, vsalni-kov.prof@yandex. ru, Russia, Tula, Tula State University
