通过全面监控改善密封和系统性能

无线传感器和其他技术正在改变可靠性工程师和维护人员监控系统健康的方式。实时远程评估设备性能的能力对于提高效率、提高安全性、降低维护成本和避免设备停机至关重要。

虽然这种连续监控技术在使工厂了解设备当前状态方面具有开创性，但它也存在局限。由于它只监控单个点，即单个温度读数，因此虽然捕获的信息很有价值，但无法反映很多其他可能发生的事情。

这就给全面监控提供了用武之地。

全面监控是什么？

全面监控使用机器学习和基于物理的算法比较来自多个系统的互连数据集（如温度、压力、振动等），通过这种方式工厂不仅可以了解系统目前的表现，还可以更好地了解它们在未来的运作表现。

密封相关的问题是导致泵停止使用的主要原因。但密封失效并不意味着它就是问题的根源。通常，系统其他区域的问题也会表现为密封失效，而全面监控恰恰可以在这方面带来最大效用。

将机器学习和基于物理的建模应用于密封，可以发现整个系统中的问题，并提醒维护人员注意可能无法通过其他手段检测到的问题。

例如，您的状态监测系统可能会提醒您其中一个密封件出现温度峰值。温度飙升本身可能无需太过担心，但使用机器学习和基于物理的模型可以让您分析各种其他条件（如吸入温度、冷却水温度和吸入压力），结合密封温度峰值，可能指示存在更严重的问题。

全面监控使可靠性工程师和维护人员能够比较众多条件以发现系统中更深层次的潜在问题，从而带来多种好处，包括：

预测设备故障并更好地规划设备更换。这在能源行业尤其具有吸引力，管道运营商可以预测故障并更换受损设备，从而降低污染物泄漏到空气或地面的风险。

评估特定设备在当前操作条件下的使用寿命。由于设备寿命取决于操作条件，可靠性工程师可以评估特定设备在当前操作条件下的使用寿命，然后改变这些条件以最大限度地延长设备寿命。

客户一直在寻找改善操作的方法。全面监控使用机器学习和基于物理的建模，代表了一种行之有效的方法，可以在问题发生之前通过查看当前指标之间的联系来对其进行预测、诊断和修复。随着密封供应商、客户和第三方监控服务的加入，对这项技术的投资正在增加。

虽然机器学习为提高监控能力提供了机会，但OEM的基于物理的模型可以提供对操作条件的新见解，并可能改变工厂了解其设备和系统的方式。