Kenar AI ile Motor Tahmin Bakımında Devrim
Kenar AI, motor tahmin bakımını dönüştürerek verimliliği artırıyor ve maliyetleri düşürüyor.
Elektrik motorları, modern teknolojide en yaygın kullanılan elektromekanik sistemler arasında yer alıyor. El aletlerinden otonom robotlara, endüstriyel pompalar ve elektrikli araçlara kadar birçok alanda güç sağlıyorlar. Sürekli değişken yükler altında çalıştıkları için mekanik aşınma ve elektriksel bozulma kaçınılmaz hale geliyor. Motorlar arızalandığında ise sonuçları anında hissediliyor: beklenmedik duruşlar, yüksek onarım maliyetleri ve kesintiye uğrayan operasyonlar.
Geleneksel bakım stratejileri, maliyet ve güvenilirlik arasında denge kurmakta zorlanıyor. Reaktif yaklaşımlar arızayı beklerken, önleyici bakım genellikle bileşenleri gereksiz yere değiştirebiliyor ve kullanılabilir ömrü kaybetmiş oluyor.
Tahmin bakım (PdM), bu duruma tamamen farklı bir yaklaşım getiriyor. Sabit aralıklara dayanmak yerine, PdM sürekli olarak operasyonel verileri analiz ederek ekipmanın sağlığını tahmin ediyor ve arızaları meydana gelmeden önce öngörüyor.
PdM’nin temeli, durum izleme (CM) olarak adlandırılan fiziksel ve elektriksel sinyallerin ölçümüne dayanıyor. Motor akımı, titreşim, sıcaklık ve geri elektromotor kuvvet (back-EMF) gibi veriler, sistem davranışına anlık görünürlük sağlıyor. PdM, bu sinyalleri kullanarak bozulma eğilimlerini ve kalan kullanılabilir ömrü çıkarıyor.
Gömülü bilgisayar teknolojisi, sensör entegrasyonu ve optimize edilmiş makine öğrenimi modellerindeki gelişmeler, sinyal işleme ve tahmin analizlerinin doğrudan kenar cihazlarında, motor kontrol mikrodenetleyicileri dahil olmak üzere çalıştırılmasına olanak tanıyor. Bu sayede, PdM modern motor sürücü sistemlerinde isteğe bağlı bir tanı katmanı olmaktan çıkarak temel bir yetenek haline geliyor.
Tahmin Bakımı ve Kenar Zekasına Geçiş
Geleneksel olarak, tahmin bakımı büyük endüstriyel sistemlerle sınırlıydı; çünkü bu sistemlerdeki duruş maliyetleri karmaşık izleme altyapısını haklı çıkarıyordu. Bu tür uygulamalar genellikle yüksek kaliteli sensörler ve merkezi analizlere dayanıyordu.
Ancak, Kenar AI’nın ortaya çıkmasıyla birlikte, PdM artık küçük, dağıtık ve maliyet açısından hassas sistemlerde uygulanabilir hale geldi.
Modern bağlı cihazlarda, operasyonel veriler hala filo düzeyinde analizler ve model iyileştirmeleri için toplanabiliyor. Ancak, kritik arıza tespiti yerel olarak yapılmalı, böylece gerçek zamanlı koruma sağlanmalıdır. Ham sensör verilerini akıtmaktansa, kenar sistemleri yerel olarak özellikleri çıkararak yalnızca sağlık göstergelerini veya anomali olaylarını iletmekte, bu da bant genişliğini, gecikmeyi ve sistem maliyetini azaltmaktadır.
Kenar tabanlı tahmin bakımı, motor destekli uygulamalarda geniş bir yelpazeye yayılmakta ve güç, maliyet, performans ve güvenilirlik gibi sistem kısıtlamaları, uygulama biçimini şekillendirmektedir.
Uygulamalar Arasında Motor İzleme
Kablosuz aletler, drone’lar, fanlar ve robotik temizleyiciler gibi cihazlarda motorlar, sıkı güç ve termal kısıtlamalar altında çalışmaktadır. Bu nedenle, bu sistemlerde tahmin bakımı genellikle mevcut motor kontrol sinyallerinin fırsatçı bir şekilde yeniden kullanılmasına dayanıyor ve özel tanı donanımına ihtiyaç duymuyor.
Ayrıca, kontrol için kullanılan faz akımları ve geri EMF dalga formları, erken arıza gelişimini gösterebilir. Harmonik içerikteki değişiklikler, yatak aşınmasını veya rotor dengesizliğini işaret edebilirken, dalga formundaki bozulmalar sürtünme veya elektromanyetik etkileri gösterebilir.
Bu sinyaller kontrol döngüsü içinde doğal olarak mevcut olduğundan, sensörsüz tahmin bakımı doğrudan mikrodenetleyici biriminde (MCU) uygulanabilir. Bu, sistem üzerindeki yükü en aza indirerek hafif anomali tespiti sağlar ve ek sensör bileşenlerine ihtiyaç duyulmaz.
Çamaşır makineleri, HVAC sistemleri, buzdolapları ve kompresörler gibi cihazlar, uzun hizmet ömürleri ve yüksek bakım maliyetleri nedeniyle PdM için güçlü adaylardır. Bu sistemler genellikle daha geniş bir arıza imzası yelpazesini yakalamak için elektriksel ve mekanik algılama kombinasyonu kullanır.
Motor tork imzaları, titreşim desenleri ve kompresör akım profilleri, arıza meydana gelmeden önce yatak aşınması, tambur dengesizliği, soğutucu sızıntısı veya mekanik bozulma gibi sorunları ortaya çıkarabilir.
