طراحی سیستم نگهداری و تعمیرات پیشگیرانه PM یا نگهداری پیش‌بینانه PdM در صنعت نفت و گاز و پتروشیمی و کارخانه ها

در صنایع پیچیده‌ای مانند نفت، گاز و پتروشیمی، پایداری و عملکرد بهینه تجهیزات از اهمیت بالایی برخوردار است. خرابی ناگهانی تجهیزات می‌تواند باعث توقف تولید، افزایش هزینه تعمیرات و خطرات ایمنی شود. برای کاهش این مشکلات، سیستم‌های نگهداری پیشگیرانه (PM) و نگهداری پیش‌بینانه (PdM) توسعه یافته‌اند که با استفاده از داده‌ها و تحلیل هوشمند، زمان سرویس تجهیزات را بهینه می‌کنند. ادغام اینترنت اشیا (IoT)، پروتکل‌های انتقال داده مانند MQTT و هوش مصنوعی، امکان ساخت یک سیستم PM/PdM خودکار و هوشمند را فراهم می‌کند که بهره‌وری و ایمنی را به طور چشمگیری افزایش می‌دهد.

طراحی سیستم برنامه نگهداری و تعمیرات پیشگیرانه PM یا نگهداری پیش‌بینانه PdM (سیستم PM خودکار با هوش مصنوعی) در صنعت نفت و گاز و پتروشیمی و کارخانه ها در این مقاله بررسی میشود.

 برنامه نگهداری و تعمیرات پیشگیرانه (Preventive Maintenance) :

 یعنی انجام سرویس‌ها، بازدیدها و تعمیرات برنامه‌ریزی‌شده روی تجهیزات قبل از اینکه خراب شوند.

هدف:

• جلوگیری از توقف ناگهانی تولید
• افزایش عمر تجهیزات
• کاهش هزینه‌های تعمیرات اضطراری

ویژگی‌های برنامه PM

• زمان‌بندی‌شده: بر اساس تقویم (مثلاً هر ۶ ماه یک‌بار) یا ساعت کارکرد (مثلاً هر ۱۰۰۰ ساعت کار) انجام می‌شود.
• استاندارد: معمولاً طبق دستورالعمل سازنده (OEM Manual) یا استانداردهای صنعتی انجام می‌شود.
• ثبت و گزارش‌دهی: در سیستم مدیریت نگهداری (CMMS) یا فرم‌های دستی ثبت می‌شود.

مثال‌های کارهای PM در پتروشیمی

• گریس‌کاری پمپ‌ها هر ۳ ماه
• تست سیستم آتش‌نشانی هر سال
• کالیبراسیون سنسور فشار هر ۶ ماه
• شستشوی مبدل حرارتی هر سال

مثال واقعی در پتروشیمی

فرض کن یک پمپ حیاتی داری:

PM برنامه‌ریزی می‌کند که هر ۳ ماه یک‌بار بلبرینگ‌هایش گریس‌کاری شود. هر ۶ ماه یک‌بار فیلتر ورودی‌اش تعویض شود. هر سال یک‌بار تست لرزش و بالانس انجام شود. اگر این کارها را انجام ندهی، ممکن است پمپ وسط تولید از کار بیفتد و باعث توقف خط شود.

ساختار فنی سیستم (Preventive Maintenance / PM)

• در طراحی سیستم (Preventive Maintenance / PM) تعدادی تجهیزات (Equipment) وجود دارد.
• هر تجهیز چند نوع سرویس (ServiceType) نیاز دارد، مثل گریس‌کاری، تعویض فیلتر یا کالیبراسیون.
• هر سرویس طبق برنامه زمان‌بندی (Schedule) مشخص می‌شود، مثلاً هر ۳ ماه یا هر ۶ ماه یک‌بار.
• وقتی سرویس انجام شد، در تاریخچه سرویس (ServiceHistory) ثبت می‌شود تا سابقه نگهداری وجود داشته باشد.
• تکنسین یا کاربر (Technician/User) مسئول اجرای سرویس است و وضعیت سرویس را به سیستم گزارش می‌دهد.

این ساختار باعث می‌شود سیستم PM بتواند پایش، برنامه‌ریزی و گزارش‌دهی را خودکار یا نیمه‌خودکار انجام دهد.

 (Predictive Maintenance / PdM) چیست ؟

یعنی نگهداری پیش‌بینانه تجهیزات با کمک داده و تحلیل هوش مصنوعی.
 در این روش، سنسورهای مختلف روی تجهیزات نصب می‌شوند تا داده‌های عملکردی و شرایط محیطی جمع‌آوری کنند.  داده‌ها پردازش و تحلیل می‌شوند تا نشانه‌های خرابی یا انحراف از حالت عادی شناسایی شود.  با الگوریتم‌های یادگیری ماشین، زمان تقریبی خرابی پیش‌بینی می‌شود و هشدار صادر می‌شود.  این روند باعث می‌شود تعمیرات فقط وقتی انجام شوند که واقعاً لازم است، هزینه‌ها کاهش و عمر تجهیزات افزایش یابد.

در خیلی از کارخانه‌ها و پتروشیمی‌های مدرن، PM کلاسیک انسانی کم‌کم به سمت نگهداری پیش‌بینانه (Predictive Maintenance / PdM) با کمک هوش مصنوعی و پایتون رفته است.

در این مدل، به‌جای اینکه تکنسین طبق تقویم برود تجهیز را چک کند، سیستم حسگر + AI خودش تشخیص می‌دهد چه زمانی نیاز به سرویس هست.

نمونه سناریو

موتور یک پمپ همیشه در حالت سالم لرزشی بین 2.0 تا 2.5 mm/s دارد.

هوش مصنوعی با یادگیری از داده‌های گذشته می‌داند که اگر لرزش به 3.5 mm/s برسد، معمولاً بلبرینگ در ۲ هفته آینده خراب می‌شود سیستم به‌صورت خودکار هشدار می‌دهد:
 "پمپ P-101 نیاز به سرویس بلبرینگ دارد — پیش‌بینی خرابی در 14 روز آینده"

ارتباط بین اینترنت اشیا IoT، MQTT، PM و PdM

ارتباط بین اینترنت اشیا IoT، MQTT، PM و PdM در صنایع، مثل پتروشیمی، به شکل یک زنجیره اطلاعات و تصمیم‌گیری هوشمند است:

1. IoT (اینترنت اشیا)

    حسگرها و دستگاه‌ها به اینترنت وصل می‌شوند و داده‌های تجهیزات را به‌صورت لحظه‌ای جمع‌آوری می‌کنند (دمای موتور، فشار لوله، لرزش پمپ و …).

2. MQTT

    یک پروتکل سبک و سریع برای انتقال داده‌های IoT از حسگرها به سرور یا سیستم‌های کلود است.    مناسب برای محیط‌های صنعتی با پهنای باند محدود و داده‌های پیوسته.

3. PM (Preventive Maintenance)

• برنامه‌های زمان‌بندی شده نگهداری تجهیزات.
• با داده‌های IoT می‌توان PM را هوشمندتر و دقیق‌تر کرد، یعنی فقط وقتی تجهیزات نیاز دارند سرویس انجام شود.

4. PdM / Predictive Maintenance 

• تحلیل داده‌های IoT با الگوریتم‌های هوش مصنوعی و یادگیری ماشین برای پیش‌بینی خرابی.
• سیستم هشدار می‌دهد که چه تجهیزی در آینده نزدیک ممکن است خراب شود و چه اقدامی لازم است.

 خلاصه ارتباط:

 IoT → جمع‌آوری داده‌های واقعی تجهیزات

 MQTT → انتقال داده‌ها به سیستم مرکزی

 PM → نگهداری طبق برنامه، با کمک داده‌ها بهینه می‌شود

 PdM → پیش‌بینی خرابی و انجام تعمیرات فقط وقتی لازم است

یادگیری ماشین و پردازش زبان طبیعی در هوشمند سازی سیستم

یادگیری ماشین و پردازش زبان طبیعی می‌توانند (Predictive Maintenance/ PdM) را بسیار هوشمند و خودکار کنند:

1. یادگیری ماشین (Machine Learning)

 تحلیل داده‌های سنسور: الگوریتم‌ها مثل LSTM، Random Forest یا Isolation Forest می‌توانند رفتار طبیعی تجهیزات را یاد بگیرند و انحرافات یا نشانه‌های خرابی را شناسایی کنند.

 پیش‌بینی زمان خرابی: با مدل‌های پیش‌بینی، سیستم می‌تواند تخمین بزند چه زمانی یک تجهیز نیاز به سرویس دارد.

 تشخیص آنومالی (Anomaly Detection): لرزش، دما یا فشار غیرطبیعی تجهیزات را به صورت خودکار شناسایی می‌کند.

2. پردازش زبان طبیعی (NLP)

 تحلیل گزارش‌های تعمیرات: مدل NLP می‌تواند متن‌های گزارش‌های تکنسین یا تاریخچه سرویس را خوانده و الگوهای خرابی شایع را استخراج کند.

 هوشمندسازی هشدارها و دستورالعمل‌ها: سیستم می‌تواند هشدارهای خودکار را به زبان طبیعی برای تکنسین‌ها بنویسد یا پیشنهاد اقدامات تعمیراتی بدهد.

 تحلیل مستندات فنی: استخراج اطلاعات مهم از دفترچه‌های راهنما و دیتاشیت‌ها برای کمک به تصمیم‌گیری PdM.

ساختار فنی
 

Architecture: MicroService

Backend: Node.js, Nest.js

Frontend: Next.js, React.js

Application: Flutter(Android, IOS)

Database: PostgreSQL , Redis(Cache Data), Elasticsearch(Distributed Search)

Operating System: Linux

AI : Python