Comment améliorer systématiquement les indicateurs de performance clés (KPI) peu fiables dans les systèmes de surveillance de l'état des équipements ?

Des indicateurs de performance clés (KPI) peu fiables sont souvent dus à des bandes de filtrage inadaptées ou à des fréquences parasites non prises en compte. Avec ibaAnalyzer, il est possible d'analyser en détail aussi bien les tendances que les données brutes afin d'identifier les anomalies. Associé à ibaInSpectra, il permet d'ajuster avec précision les règles de calcul. Il en résulte des indicateurs d'état stables et pertinents pour l'évaluation de l'usure.

Comment prendre correctement en compte les effets liés à la vitesse dans l'analyse des vibrations ?

Les effets liés à la vitesse peuvent être identifiés en établissant une corrélation entre les indicateurs clés de performance (KPI) et les paramètres de fonctionnement. ibaAnalyzer permet d'effectuer une analyse X/Y afin de mettre en évidence les relations entre la vitesse et l'évolution des KPI. Sur la base de ces informations, ibaInSpectra permet un réglage précis des bandes de fréquences. Cela permet d'éviter les distorsions dans certaines plages de fonctionnement.

Comment les fréquences parasites affectent-elles l'évaluation de l'état et comment peut-on les éliminer ?

Les fréquences parasites peuvent fausser considérablement les indicateurs de performance clés (KPI) si elles se situent dans les bandes d'analyse définies. ibaInSpectra permet d'identifier et d'exclure ces fréquences des calculs des KPI. Des méthodes de filtrage supplémentaires peuvent être appliquées pour éliminer les fréquences dominantes des données brutes. Cela améliore considérablement la fiabilité des indicateurs d'état.

Comment définir de manière fiable des seuils d'alerte sans passer par une longue phase d'apprentissage ?

Les seuils d'alarme peuvent être définis à l'aide d'une analyse par simulation des données historiques. ibaInSpectra permet d'effectuer des calculs basés sur la relecture afin de déterminer les plages attendues pour les indicateurs clés de performance (KPI). ibaAnalyzer prend en charge la validation par rapport à des ensembles de données réels. Cela permet de définir des seuils fiables sans nécessiter une longue phase d'apprentissage.

En quoi la combinaison des données de processus et des données de vibrations facilite-t-elle la maintenance prédictive ?

La combinaison des données de processus et des données vibratoires permet une évaluation globale de l'état des machines. ibaPDA assure une acquisition synchrone des données, tandis qu'ibaInSpectra fournit des indicateurs de performance clés (KPI) basés sur les vibrations. Cette intégration aide à identifier les influences indirectes et les sources externes de défaillances. Elle constitue la base de stratégies de maintenance prédictive et ciblée.

Optimisation d'un système de maintenance conditionnelle

ibaInSpectra et ibaRotate

Un système de maintenance conditionnelle (CMS) est censé surveiller l'usure de deux moteurs. Le CMS calcule à intervalles réguliers, dans certaines conditions de mesure, des valeurs caractéristiques qui servent d'indicateurs d'état pour les différents composants de la machine, et les enregistre sous la forme d'une tendance à long terme.

Avantages pour les entreprises La technologie Fonctions utilisées Plus de Success Stories

Après une phase de test, il est apparu que les calculs et réglages standard du CMS ne fournissaient pas de valeurs caractéristiques fiables pour la détection de l'usure en raison des conditions sur le terrain. Il fallait donc étudier ce phénomène. Avec les outils iba pour l'analyse des vibrations, les tendances enregistrées et les données brutes ont donc été analysées plus en détail afin de configurer le système de maintenance conditionnelle pour qu'il fournisse des valeurs caractéristiques fiables.

Calcul automatisé

des valeurs caractéristiques

Une compréhension optimale

grâce à la combinaison de l'analyse des processus et des vibrations

Analyse des causes profondes

pour une maintenance proactive

La technologie

Dans les tendances à long terme, les valeurs caractéristiques ont augmenté à certains moments d'un facteur supérieur à 10. Chaque valeur caractéristique a été affectée à des moments différents. Une corrélation temporelle n'a pas pu être reconnue. La représentation des valeurs caractéristiques sous la forme d'un diagramme X/Y dans ibaAnalyzer a toutefois permis de mettre en évidence des éléments clairs. Les valeurs caractéristiques calculées ont été affichées triées en fonction de la vitesse à laquelle elles ont été enregistrées. Le diagramme X/Y montre que certaines valeurs caractéristiques ont augmenté, en particulier dans certaines plages de vitesse.

Les données brutes d'un fichier DAT ont donc été examinées de plus près pour détecter les fréquences indépendantes de la vitesse. En fait, une fréquence élevée comprenant deux harmoniques peut être reconnue dans ibaRotate. Bien que la cause ait été trouvée, il n'a pas été possible de résoudre le problème techniquement.

An x-ray style rendering shows the internal components of an electric motor.

A l'aide de la fonction marqueur d'ibaRotate, il a pu être prouvé que les bandes utilisées pour calculer les paramètres croisent cette haute fréquence ou l'une de ses harmoniques - exactement dans les plages de vitesse où les valeurs caractéristiques ont été dépassées. Les conditions de mesure et les règles de calcul des valeurs caractéristiques ont alors été optimisées de manière à ce que cette fréquence ne se trouve plus dans les bandes utilisées pour le calcul des paramètres. Enfin, ces ajustements ont nécessité la vérification et la réinitialisation des seuils d'alarme. Dans l'étape suivante, les états actuels des composants surveillés ont donc été analysés sur la base des données brutes. Pour une meilleure vue d'ensemble, la fréquence indépendante de la vitesse et ses harmoniques ont été éliminées à l'aide du filtre de Vold-Kalman. Dans le cadre de l'analyse, un aperçu supplémentaire a pu être obtenu : Dans l'affichage de la chute d'eau sans les fréquences dominantes, un dommage en cours de développement a été détecté sur une autre machine à partir de laquelle un faible niveau de vibration a été transféré à la machine surveillée.

Enfin, il a fallu déterminer dans quelle plage les valeurs caractéristiques devaient être attendues des nouveaux calculs. Une simulation avec ibaInSpectra basée sur une lecture des données mesurées s'est avérée utile. Grâce à la simulation, les valeurs d'alarme ont pu être calculées de manière fiable sans phase d'apprentissage. Grâce à cette configuration personnalisée, le système de maintenance conditionnelle est configuré de manière optimale pour le système du client. Le système fournit désormais des valeurs caractéristiques fiables et permet de valider l'état actuel.

A diagram shows data flow from an electric motor to a computer, leading to analysis and user adjustments.

Testez le système iba maintenant !

Téléchargez la démo de ibaPDA et ibaAnalyzer et commencez à optimiser vos processus dès aujourd’hui. Essayez-le gratuitement pendant 30 jours !

Demander une licence ibaPDA-Demo

La combinaison unique de l'analyse des processus et des vibrations me permet de comprendre et d'analyser facilement le comportement vibratoire, même dans le cas de processus complexes.

Christian Reinbrecht
Chef de produit, iba AG

Fonctions utilisées

Les fonctions suivantes du système iba sont utilisées dans cette Success Stories.

Découvrez d'autres Success Stories

Lisez d'autres success stories inspirantes de nos clients satisfaits.

Questions fréquemment posées (FAQ)

Comment améliorer systématiquement les indicateurs de performance clés (KPI) peu fiables dans les systèmes de surveillance de l'état des équipements ?: Des indicateurs de performance clés (KPI) peu fiables sont souvent dus à des bandes de filtrage inadaptées ou à des fréquences parasites non prises en compte. Avec ibaAnalyzer, il est possible d'analyser en détail aussi bien les tendances que les données brutes afin d'identifier les anomalies. Associé à ibaInSpectra, il permet d'ajuster avec précision les règles de calcul. Il en résulte des indicateurs d'état stables et pertinents pour l'évaluation de l'usure.
Comment prendre correctement en compte les effets liés à la vitesse dans l'analyse des vibrations ?: Les effets liés à la vitesse peuvent être identifiés en établissant une corrélation entre les indicateurs clés de performance (KPI) et les paramètres de fonctionnement. ibaAnalyzer permet d'effectuer une analyse X/Y afin de mettre en évidence les relations entre la vitesse et l'évolution des KPI. Sur la base de ces informations, ibaInSpectra permet un réglage précis des bandes de fréquences. Cela permet d'éviter les distorsions dans certaines plages de fonctionnement.
Comment les fréquences parasites affectent-elles l'évaluation de l'état et comment peut-on les éliminer ?: Les fréquences parasites peuvent fausser considérablement les indicateurs de performance clés (KPI) si elles se situent dans les bandes d'analyse définies. ibaInSpectra permet d'identifier et d'exclure ces fréquences des calculs des KPI. Des méthodes de filtrage supplémentaires peuvent être appliquées pour éliminer les fréquences dominantes des données brutes. Cela améliore considérablement la fiabilité des indicateurs d'état.
Comment définir de manière fiable des seuils d'alerte sans passer par une longue phase d'apprentissage ?: Les seuils d'alarme peuvent être définis à l'aide d'une analyse par simulation des données historiques. ibaInSpectra permet d'effectuer des calculs basés sur la relecture afin de déterminer les plages attendues pour les indicateurs clés de performance (KPI). ibaAnalyzer prend en charge la validation par rapport à des ensembles de données réels. Cela permet de définir des seuils fiables sans nécessiter une longue phase d'apprentissage.
En quoi la combinaison des données de processus et des données de vibrations facilite-t-elle la maintenance prédictive ?: La combinaison des données de processus et des données vibratoires permet une évaluation globale de l'état des machines. ibaPDA assure une acquisition synchrone des données, tandis qu'ibaInSpectra fournit des indicateurs de performance clés (KPI) basés sur les vibrations. Cette intégration aide à identifier les influences indirectes et les sources externes de défaillances. Elle constitue la base de stratégies de maintenance prédictive et ciblée.