utrzymanie

Differences

This shows you the differences between two versions of the page.

Link to this comparison view

Both sides previous revision Previous revision
Next revision		 Previous revision
utrzymanie [2026/01/20 13:12] – [Zastosowanie 2: Maszyny Wirujące (Wentylatory i Pompy)] adminutrzymanie [2026/01/22 21:18] (current) – [Porównanie kosztów] admin
Line 1: Line 1:
-====== Utrzymanie Predykcyjne w Infrastrukturze Budynkowej ======+{{::engineer_tablet.jpg?nolink&1200|}}====== Utrzymanie Predykcyjne w Infrastrukturze Budynkowej ======
  
-Utrzymanie predykcyjne (Predictive Maintenance - PdM) to strategia, która wykorzystuje analizę danych w czasie rzeczywistym do wykrywania anomalii w pracy urządzeń i przewidywania ich awarii. W przeciwieństwie do konserwacji zapobiegawczej (wymiana części "według kalendarza"), PdM pozwala na serwisowanie urządzenia tylko wtedy, gdy jest to rzeczywiście konieczne.+Utrzymanie predykcyjne (Predictive Maintenance - PdM) to strategia, która wykorzystuje analizę danych w czasie rzeczywistym do wykrywania anomalii. Jest to zgodne z ewolucją standardów zarządzania aktywami opisaną w normie ((PN-ISO 55000:2014)).
  
  
Line 7: Line 7:
 ===== Krzywa P-F i wykrywanie degradacji ===== ===== Krzywa P-F i wykrywanie degradacji =====
 Fundamentem tej metody jest koncepcja **Interwału P-F**. Fundamentem tej metody jest koncepcja **Interwału P-F**.
-  * **Punkt P (Potential Failure):** Moment, w którym czujniki są w stanie wykryć pierwsze oznaki degradacji (np. wzrost temperatury, mikrowibracje), choć urządzenie wciąż działa poprawnie. +  * **Punkt P (Potential Failure):** Moment, w którym czujniki wykrywają pierwsze oznaki degradacji. 
-  * **Punkt F (Functional Failure):** Moment fizycznej awarii i zatrzymania urządzenia.+  * **Punkt F (Functional Failure):** Moment fizycznej awarii.
  
-Zadaniem algorytmów Machine Learning jest wykrycie punktu **P** jak najwcześniej, dając obsłudze technicznej czas na reakcję (np. 2 tygodnie) zanim nastąpi punkt **F**.+Zadaniem algorytmów Machine Learning jest maksymalne wydłużenie czasu reakcji między punktem P a F ((Carvalho T. et al., "A systematic literature review of machine learning methods applied to predictive maintenance", 2019)).
  
 ===== Zastosowanie 1: Transport Pionowy (Windy) ===== ===== Zastosowanie 1: Transport Pionowy (Windy) =====
-Awarie wind są jednymi z najbardziej uciążliwych dla użytkowników biurowców. Nowoczesne systemy ML analizują pracę dźwigów w sposób ciągły.+Awarie wind są jednymi z najbardziej uciążliwych. Nowoczesne systemy ML analizują pracę dźwigów w sposób ciągły.
  
 **Analizowane parametry:** **Analizowane parametry:**
-  * **Prąd silnika drzwi:** Algorytm uczy się wzorca otwierania drzwi. Jeśli nagle silnik pobiera więcej prądu w konkretnym punkcie cyklu, może to oznaczać zanieczyszczenie prowadnicy lub uszkodzenie rolki. +  * **Prąd silnika:** Algorytm SVM (Support Vector Machine) klasyfikuje odchylenia w poborze prądu jako anomalie ((Géron A., 2020)). 
-  * **Poziomowanie kabiny:** Milimetrowe odchylenia w zatrzymywaniu się windy na piętrze są pierwszym sygnałem zużycia hamulców lub lin. +  * **Wibracje kabiny:** Akcelerometry wykrywają drgania świadczące o zużyciu szyn.
-  * **Wibracje kabiny:** Akcelerometry wykrywają drgania niewyczuwalne dla pasażerów, świadczące o zużyciu szyn prowadzących.+
  
-> **Efekt:** Serwisant otrzymuje powiadomienie: //"Winda B, Piętro 5 - Wykryto opór na drzwiach. Ryzyko zacięcia za ok. 100 cykli"//. +===== Zastosowanie 2: Maszyny Wirujące ===== 
- +Do monitorowania pomp i wentylatorów wykorzystuje się Analizę Wibracji. 
-===== Zastosowanie 2: Maszyny Wirujące (Wentylatory i Pompy) ===== +  - **Transformacja:** Dane są przetwarzane przy użyciu transformaty Fouriera (FFT). 
-Pompy obiegowe i centrale wentylacyjne to "serce" budynku. Ich nagła awaria paraliżuje obiekt. Do ich monitorowania wykorzystuje się **Analizę Wibracji**. +  - **Klasyfikacja:** Skuteczność algorytmów Random Forest w wykrywaniu uszkodzeń łożysk przekracza 90% ((Carvalho T., op. cit.)).
- +
-Proces przetwarzania danych: +
-  - ** Sensor:** Czujnik piezoelektryczny naklejony na obudowę silnika zbiera dane o drganiach (częstotliwość i amplituda). +
-  - ** Transformacja:** Dane surowe są przetwarzane (często przy użyciu transformaty Fouriera - FFT) na postać widmową. +
-  - ** Klasyfikacja ML:** Algorytm (np. Support Vector Machine) porównuje widmo z wzorcem "zdrowego" silnika. +
- +
-System potrafi rozróżnić konkretne typy usterek: +
-  * **Niewyważenie wirnika:** Wibracje o częstotliwości zgodnej z prędkością obrotową (1xRPM). +
-  * **Uszkodzenie łożyska:** Wibracje o wysokich częstotliwościach, często niesłyszalne dla ucha. +
-  * **Luzy montażowe:** Chaotyczne spektrum drgań.+
  
 ===== Porównanie kosztów ===== ===== Porównanie kosztów =====
Line 43: Line 32:
 | **Koszt awarii** | Średni (ryzyko błędu ludzkiego) | Minimalny (ciągły monitoring 24/7) | | **Koszt awarii** | Średni (ryzyko błędu ludzkiego) | Minimalny (ciągły monitoring 24/7) |
 | **Zużycie energii** | Standardowe | Obniżone (sprawne maszyny zużywają mniej prądu) | | **Zużycie energii** | Standardowe | Obniżone (sprawne maszyny zużywają mniej prądu) |
 +
 +<gchart bar 500x250 "Roczny czas przestoju awaryjnego [godziny]" center>
 +Podejście Reaktywne = 120
 +Podejście Predykcyjne = 15
 +</gchart>
  • utrzymanie.1768914758.txt.gz
  • Last modified: 2026/01/20 13:12
  • by admin