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.

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 F (Functional Failure): Moment fizycznej awarii i zatrzymania urządzenia.

Zadaniem algorytmów Machine Learning jest wykrycie punktu P jak najwcześniej, dając obsłudze technicznej czas na reakcję (np. 2 tygodnie) zanim nastąpi punkt F.

Awarie wind są jednymi z najbardziej uciążliwych dla użytkowników biurowców. Nowoczesne systemy ML analizują pracę dźwigów w sposób ciągły.

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.
• Poziomowanie kabiny: Milimetrowe odchylenia w zatrzymywaniu się windy na piętrze są pierwszym sygnałem zużycia hamulców lub lin.
• 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”.

Pompy obiegowe i centrale wentylacyjne to “serce” budynku. Ich nagła awaria paraliżuje obiekt. Do ich monitorowania wykorzystuje się Analizę Wibracji.

Proces przetwarzania danych:

1. Sensor: Czujnik piezoelektryczny naklejony na obudowę silnika zbiera dane o drganiach (częstotliwość i amplituda).
2. Transformacja: Dane surowe są przetwarzane (często przy użyciu transformaty Fouriera - FFT) na postać widmową.
3. 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.

Wdrożenie strategii predykcyjnej zmienia strukturę kosztów utrzymania obiektu.