Table of Contents
Utrzymanie Predykcyjne w Infrastrukturze Budynkowej
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 1).
Krzywa P-F i wykrywanie degradacji
Fundamentem tej metody jest koncepcja Interwału P-F.
- Punkt P (Potential Failure): Moment, w którym czujniki wykrywają pierwsze oznaki degradacji.
- Punkt F (Functional Failure): Moment fizycznej awarii.
Zadaniem algorytmów Machine Learning jest maksymalne wydłużenie czasu reakcji między punktem P a F 2).
Zastosowanie 1: Transport Pionowy (Windy)
Awarie wind są jednymi z najbardziej uciążliwych. Nowoczesne systemy ML analizują pracę dźwigów w sposób ciągły.
Analizowane parametry:
- Prąd silnika: Algorytm SVM (Support Vector Machine) klasyfikuje odchylenia w poborze prądu jako anomalie 3).
- Wibracje kabiny: Akcelerometry wykrywają drgania świadczące o zużyciu szyn.
Zastosowanie 2: Maszyny Wirujące
Do monitorowania pomp i wentylatorów wykorzystuje się Analizę Wibracji.
- Transformacja: Dane są przetwarzane przy użyciu transformaty Fouriera (FFT).
- Klasyfikacja: Skuteczność algorytmów Random Forest w wykrywaniu uszkodzeń łożysk przekracza 90% 4).
Porównanie kosztów
Wdrożenie strategii predykcyjnej zmienia strukturę kosztów utrzymania obiektu.
| Rodzaj kosztu | Konserwacja Prewencyjna (Tradycyjna) | Konserwacja Predykcyjna (ML) |
|---|---|---|
| Części zamienne | Wysoki (wymiana sprawnych części) | Niski (maksymalne wykorzystanie resursu) |
| Robocizna | Wysoki (częste, rutynowe przeglądy) | Średni (interwencje celowane) |
| Koszt awarii | Średni (ryzyko błędu ludzkiego) | Minimalny (ciągły monitoring 24/7) |
| Zużycie energii | Standardowe | Obniżone (sprawne maszyny zużywają mniej prądu) |
