*Του Α. Χασαλεύρη
Τα ρουλεμάν υπάρχουν στην μορφή που τα γνωρίζουμε από τα τέλη του 18ου αιώνα και είναι στοιχεία όπου η εφευρετικότητα των μηχανικών γνωρίζει μέχρι και σήμερα σημαντική δράση. Διάφοροι τύποι ρουλεμάν για ποικίλες εφαρμογές ανάλογα με την ταχύτητα περιστροφής του εδραζόμενου άξονα και το μέγεθος του φορτίου που ο άξονας ασκεί σε αυτό, φαίνονται στην εικόνα 1 .
Η επιφάνεια των κυλιόμενων στοιχείων των ρουλεμάν (σφαίρες ή κύλινδροι) βιώνει μεταβαλλόμενα φορτία (λόγω της περιστροφής τους) και ως εκ τούτου υποβάλλονται σε κόπωση, η οποία και καθορίζει τον χρόνο ζωής. Σε πολλές περιπτώσεις αυτή εκδηλώνεται με αποφλοίωση σε κάποιο κυλιώμενο στοιχείο, η οποία μπορεί να μην είναι οπτικά εμφανής, αλλά έχει ξεκάθαρο αποτύπωμα στην δυναμική απόκριση της διάταξης. Επιπλέον, ακουστικές εκπομπές προέρχονται τόσο από αιτίες σχετικές με την ακεραιότητα των κυλιόμενων στοιχείων, όσο και από σύνθετα δυναμικά φαινόμενα (παραμετρική διέγερση).
Η πρόβλεψη για την πραγματική διάρκεια ζωής ενός ρουλεμάν είναι σύνθετο πρόβλημα και τα υπολογιστικά εργαλεία δεν είναι ικανά να την παρέχουν με ακρίβεια σε όλες τις εφαρμογές. Για αυτό τον λόγο απαιτείται η προληπτική συντήρηση (predictive maintenance), και ο περιοδικός έλεγχος της λειτουργείας τους. Πλέον, σε κάποια σύγχρονη παραγωγική μονάδα όπου εκατοντάδες ή και χιλιάδες ρουλεμάν είναι εγκατεστημένα δεν θα πρέπει να δρομολογείται η αντικατάσταση των ρουλεμάν έπειτα από το δυναμικό (αυξημένες ταλαντώσεις) ή το ακουστικό (θόρυβος) αποτύπωμα, αλλά πρώτού αυτό συμβεί, μέσα από προγραμματισμένες διαδικασίες (πρόληψη), οι οποίες επιφέρουν σημαντικά οικονομικά οφέλη (προγραμματισμός παραγγελιών και ανθρώπινων πόρων “in advance”).
Οι μέθοδοι για τον λεγόμενο «σχεδιασμό της συντήρησης» στην τεχνολογική αιχμή της Industry 4.0 αποτελούν ένα δραστήριο ερευνητικό πεδίο (με πτυχές ήδη τεχνολογικά εφαρμοσμένες), όπου η προσομοίωση της λειτουργείας των μηχανών με ψηφιακά δίδυμα (digital twins – data driven models – machine learning), η συλλογή και η διαχείριση δεδομένων (condition monitoring, data storage and cloud migration, data processing), και η τεχνητή νοημοσύνη (Artificial Intelligence – Data driven Intelligence) έχουν βασικό ρόλο. Η προγνωστική (predictive) συντήρηση αναφέρεται στη χρήση μεθόδων προληπτικής (proactive) συντήρησης που βασίζονται σε δεδομένα (data: ταλαντώσεις, ήχος, εικόνα) και έχουν σχεδιαστεί για να αναλύουν την λειτουργική κατάσταση του ρουλεμάν και να βοηθούν στην πρόβλεψη του πότε πρέπει να εκτελεστεί η συντήρηση (ή αντικατάσταση). Η διαδικασία για προγνωστική συντήρηση των ρουλεμάν (και όχι μόνο) βασισμένη στις τελευταίες επιστημονικές δράσεις (Industry 4.0) περιγράφεται στην ακόλουθη εικόνα.
Η ευφυής προληπτική συντήρηση μπορεί να γίνεται αντιληπτή ως μία «πολιτική ελαχιστοποίησης»: Ελαχιστοποίηση του χρόνου συντήρησης των στοιχείων μηχανών (π.χ. ρουλεμάν), ελαχιστοποίηση των ωρών παραγωγής που χάνονται λόγω συντήρησης, και ελαχιστοποίηση του κόστους ανταλλακτικών και προμηθειών, με αναμφίβολα θετική επίδραση στην απόδοση της επένδυσης (return of Iinvestment-ROI). Μελέτες έχουν δείξει ότι η ευφυής προγνωστική συντήρηση έχει ως αποτέλεσμα μια δεκαπλάσια αύξηση του ROI. Επίσης, έχει ως αποτέλεσμα μείωση από 25% έως και 30% στο κόστος συντήρησης, 70% έως 75% μείωση των βλαβών και 35% έως 45% μείωση του χρόνου διακοπής λειτουργίας. Επιπλέον, οι τηλεματικές συσκευές που ενσωματώνονται στην διαδικασία βοηθούν τους διαχειριστές με όλα τα δεδομένα να εμφανίζονται σε εφαρμογές cloud, προς μία βέλτιστη λήψη αποφάσεων, εργασιακή ασφάλεια, και βιωσιμότητα της βιομηχανικής μονάδας.
*Ο κ. Χασαλεύρης Αθανάσιος είναι κάτοχος Phd και επίκουρος καθηγητής ανάλυσης και σχεδιασμού μηχανολιγκών κατασκευών της Σχολής Μηχανολόγων Μηχανικών του ΕΜΠ
