titTechnologie pro monitorování stavu se stávají podstatnou složkou řízení životního cyklu strojů. Historicky byly tyto technologie nainstalovány pouze na nejkritičtějších zařízeních v elektrárnách, či výrobních závodech. Méně kritické technologie, které jsou ovšem také důležité pro provoz, jsou většinou monitorovány nebo testovány periodicky s využitím ručních měřicích přístrojů.


V posledních letech došlo k rychlému rozvoji měřicích systémů, které umožňují přechod od periodického monitorování k průběžnému on-line monitorování. Tyto technologie otevírají prostor pro hlubší analýzu naměřených dat a pro automatizovanou diagnostiku a prognostiku.

Efektivní on-line monitorování
Přestože jsou levné technologie pro monitorování dostupné již nějakou dobu, úspěšná implementace těchto technologií pro on-line monitorování je poměrně novou záležitostí. Integrace technologií pro měření a softwarových prostředků pro správu dat je náročným úkolem prakticky ve všech odvětvích průmyslu. K nejtěžším úkolům patří zajištění IT infrastruktury, správa velkého objemu dat, slučování dat z různých zdrojů, prediktivní analýza a vzdálená správa měřicích zařízení.
Z pohledu technologií jsou aktuálními tématy zejména inteligentní měřicí jednotky, rychlé hledání a zpracování dat, integrace s databázemi a systémy pro záznam trendů nebo algoritmy pro diagnostiku a prognostiku. Vyřešení těchto otázek se pak promítá do snížených nákladů na údržbu a zvýšení spolehlivosti monitorovaných provozů. Abychom ukázali řešení těchto otázek v praxi, probereme podrobně případovou studii společnosti působící v oblasti výroby energie, Duke Energy. Tato společnost již několik let investuje do nových technologií tak, aby byla schopna pokrýt on-line monitorovacími systémy většinu vybavení elektráren.

Architektura on-line monitorovacího systému
Hlavním cílem on-line monitorovacích systémů je snížení času potřebného ke sběru dat a zvýšení množství dat, která jsou analyzována (obr. 1). Přechod k on-line monitorování také přináší výhodu v podobě vyšší konzistence naměřených dat díky automatizaci a standardizaci. Výsledkem by pak měl být integrovaný pohled na všechny monitorované systémy v diagnostickém centru. Tento integrovaný pohled umožní odborníkům lépe vizualizovat naměřené hodnoty, vidět jejich korelace v celém systému a využít tak svůj čas pro aktivity s vysokou přidanou hodnotou (diagnostika, prognostika).

obr1

V porovnání s ručním periodickým měřením překonávají on-line měřicí systémy několik nevýhod (obr. 2). První nevýhodou je malá četnost měření. Během ručních periodických měření je na monitorovaném systému provedeno měření jednou za měsíc, popř. za čtvrtletí. Tato pravidelná měření mohou být narušena neplánovanými aktivitami s vyšší prioritou. Ve velké společnosti provozující vice elektráren nebo továren může počet manuálních prohlídek dosáhnout až 60 000 za měsíc. Druhou nevýhodou ručního měření je to, že monitorované zařízení nemusí být vždy v provozu v době plánované návštěvy. Navíc, vzhledem k četnosti měření, existuje dost velká pravděpodobnost, že během periodického měření nezachytíme významnou událost. Tato událost může být symptomem počínající degradace zařízení. V neposlední řadě často data naměřená ze senzorů zůstávají v měřícím počítači, dokud se specialista nerozhodne, že došlo k významné události, kterou nahlásí během osobního setkání s osobou zodpovědnou za údržbu. Jinými slovy, pohled specialisty je omezený na konkrétní monitorovanou jednotku. V praxi je tak pracovní doba odborníků využívána z větší části pro sběr dat, a ne pro analýzu a tvorbu ucelených zpráv.

obr2

Návrh on-line monitorovacího systému
Abychom mohli vytvořit online monitorovací systém, je třeba využít inteligentní měřicí uzly, které budou schopny měřit data z různých typů senzorů. Tyto uzly pak budou propojeny do IT infrastruktury (obr. 3). Měřicí uzly mohou být připojeny buď do současně používané firemní sítě, nebo do zvlášť vytvořené sítě pro údržbu s využitím průmyslových síťových prvků pro bezdrátové propojení i propojení kabelem. Ethernetové sítě se v poslední době rozšířily v podstatě do všech průmyslových provozů, není tedy problém měřicí uzly integrovat do stávajících sítí. Typický systém pro sběr dat obsahuje zařízení pro sběr dat, napájecí zdroje, pojistky a prvky pro síťovou komunikaci, viz obr. 4.

obr3

Měřicí systémy musí být schopné s pomocí senzorů a převodníků převést měřené fyzikální veličiny do digitální podoby. Tato měření mohou být buď dynamická, nebo statická. Mezi dynamická měření řadíme rychle se měnící veličiny, jako například vibrace, proud ve vinutí motoru, tlak.
Dynamická měření typicky využívají frekvence vzorkování signálů na úrovní desítek tisíc měření za sekundu. Měřicí systémy jsou navrženy tak, že pomocí kontinuálního rychlého měření jsou schopné překonat problém chybějících informací o stavu stroje v době mezi periodickými měřeními.

Řešení správy velkého množství dat z měřicích systémů
Jedním z důležitých úkolů při návrhu online monitorovacích systémů je zpracování velkého množství dat, která jsou kontinuálně měřena. Například pouze z monitorování dvou kritických vodních čerpadel s dvěma ložisky může vyprodukovat vice, než terabyte dat za týden. Abychom nezahltili IT infrastruktury takovým množstvím dat, měřicí systémy musí být navrženy tak, že data nejprve ukládají v lokální paměti. Data jsou pak přenášena na server v pravidelných časových intervalech, nebo v okamžiku kdy dojde k nějaké významné události (obr. 5). Abychom mohli detekovat významné události, měřicí uzly musí být schopné zpracovat a vyhodnotit naměřena data a musí tedy mít permanentní interní úložiště.

obr5

Abychom tedy byli schopni omezit množství dat přenášených po síti, měřicí systémy musí mít jednak funkci měření, ale také zpracování. Tyto systémy budeme označovat jako DAAN (z anglického data acquisition and analysis network nodes). V okamžiku, kdy je k DAAN připojeno napájení, spustí se inicializační fáze, a po jejím skončení začne systém automaticky monitorovat měřené veličiny s využitím analogově – digitálních převodníků. Jak dynamická, tak statická měření jsou synchronizována prostřednictvím časových značek absolutního času. Některé měřené signály mohou být také přijaty od jiných systémů přes různé komunikační protokoly, jako například ModBUS.
Jakmile jsou data digitalizována, a tedy v operační paměti DAAN, systém analyzuje časové značky a podle časových značek zjistí, jestli je třeba zaznamenávat data na základě pravidelného přenosu nebo významné události. Pokud je splněna podmínka záznamu dat, data se uloží v lokálním úložišti v adresáři, který je určen pro odeslání dat. Výhodou tohoto přístupu je, že dokážeme vyfiltrovat pouze data, která jsou relevantní pro dané měření.
Na druhém konci IT infrastruktury je nainstalován serverový počítač, který je připojen na stejné síti, jako měřicí uzly DAAN. Server je zodpovědný za správu samotných měřicích uzlů a za přenos naměřených dat z měřicích uzlů na centrální úložiště na serveru (obr. 6) Důležité je, že měřicí uzly neukládají pouze naměřená data, ale také metadata týkající se rozložení monitorovaných zařízení, kalibrace senzoru, umístění senzoru, a jiné informace, které usnadní vyhledávání, offline analýzu a porovnávání dat mezi jednotlivými měřenými body.

obr6

Server je také zodpovědný za správu všech měřicích uzlů připojených v síti. Mezi aktivity serveru patří vyhledávání nově připojených zařízení, konfigurace zařízení, zajištění bezpečnosti přenosu dat a monitorování stavu samotných měřicích zařízení a senzorů. Úlohou serveru je také provozování program pro vizualizaci a analýzu dat. S těmito nástroji mohou odborníci na vibrodiagnostiku vyhledat relevantní průběhy, provést grafickou vizuální a komparativní analýzu v rámci jednoho monitorovaného zařízení, popř. porovnat měřená data mezi různými monitorovanými zařízeními stejného typu. V neposlední řadě je server zodpovědný za přenos vypočtených indikátorů stavu stroje do podnikových informačních systémů, kde je možné analyzovat vztah měřených dat k výrobě, prováděným procesům, atd. Architektura je patrná na obr. 7.

obr7

Pro shrnutí, síťový systém pro automatický sběr dat ze senzorů musí kontinuálně vykonávat množství paralelních úkolů. Systém je nainstalován v rámci firemní sítě nebo sítě určené pro údržbu.
Měřicí uzly DAAN mají inteligenci, která je schopna rozlišit, kdy jsou splněny podmínky pro záznam dat, data na základní úrovni analyzovat, a také vyhodnotit svůj vlastní stav. Server je zodpovědný za správu a sběr dat ze všech měřicích uzlů, publikuje klíčové indikátory do podnikových informačních systémů, umožňuje vyhledávání relevantních dat a jejich zpracování.

Distribuovaná analýza dat
Analýza dat získaných z měřicích uzlů DAAN a podpůrné řídicí algoritmy jsou vykonávány na různých úrovních systémů v rozsahu od jednoduchých alarmů při překročení hodnoty po automatickou diagnostiku a predikci stavu stroje (obr. 8). Abychom dokázali optimalizovat proces sledování stavu strojů, je třeba mít k dispozici distribuovanou architekturu pro pokročilé výpočty a spojování a porovnávání dat z různých zdrojů.

obr8

Architektura analýzy dat
Analýza dat může být rozdělena do několika oblastí. Mezi tyto oblasti patří například rozhodování o záznamu a uložení měřených dat, výpočet parametrů určených pro analýzu, porovnávání průběhů, prognostika nebo plánování projektů údržby, popř. optimalizace využití finančních a personálních prostředků pro údržbu. Snahou je, aby byla analýza provedena co nejdříve v celém řetězci od měřicího uzlu po podnikový systém správy. Pokud analýza může rozhodovat o záznamu dat, je třeba ji vykonat přímo na měřicím uzlu. Pokud je potřeba větší výpočetní výkon pro výpočet parametrů nutných pro analýzu konkrétního stroje, je možné tuto analýzu provést na serveru údržby. Pokud je nutné porovnávat indikátory s indikátory chybových stavů, stavy provozu, či ostatními stroji, tyto výpočty mohou být provedeny na serveru údržby, popř. po sloučení všech dat na úrovni podnikového serveru v podnikových informačních systémech.

Výpočet indikátorů
Abychom určili, kdy zaznamenávat data, provádíme analýzu dat v reálném čase na samotném měřicím uzlu. Data jsou kontinuálně měřena a uzel počítá parametry jako efektivní hodnotu vibrací, harmonické frekvence, atd. S pomocí vyhodnocování dynamických parametrů a statických parametrů (práh) může měřicí uzel určit podmínku pro spuštění měření a ukládání dat na úrovní měřicího uzlu.
Jakmile jsou data odeslána na server, je provedena analýza dalších indikátorů vypočtených z dynamických časových průběhů. Obr. 9. Tyto výpočty obsahují analýzu harmonických ložisek a převodovek, analýza průběhu proudu vinutím motoru (EMCSA), analýza harmonických lopatkového čerpadla, atd. Vypočtené parametry jsou schopny pokrýt velký rozsah provozovaných strojů a možných poruch [7]. Systém je pak schopen podpořit analýzu specifických strojů pomocí specifických senzorů a algoritmů analýzy pro daný typ stroje. Kombinací analýzy na úrovni měřicího uzlu a serveru je možné kontinuálně získávat kompletní sadu parametrů pro všechny monitorované stroje.

obr9

Vzory indikátorů stavu strojů
Po setřídění indikátorů na základě typu monitorovaného stroje a provozního stavu je pak na základě těchto hodnot možné začít vytvářet vzory indikátorů, které odpovídají daným chybovým stavům. V mnoha případech jsou tyto vzory napřed určeny pro normální, správný, provozní stav.
Odborníci se znalostí konkrétního stroje jsou schopni určit, že stroj funguje správně bez známek degradace. Indikátory stavu definované při správném provozu se pak stanou očekávaným vzorem pro správnou činnost konkrétního stroje za konkrétních podmínek provozu.
V současnosti existuje několik typů nástrojů pro tvorbu vzorů, některé jsou zmíněny v tabulce 1.

tab1

V praxi jsou nejvíce používány techniky pro detekci anomálií bez učitele. S těmito nástroji jsou indikátory z aktuálně měřených dat porovnávána s indikátory příslušejícími normálnímu provozu.
Takto je možné odhalit vznikající poruchu. Detekce anomálií může být založena na rozpoznání vzorů pomocí statistických funkcí, výpočtu chyb od očekávaných hodnot, či logistické regrese. Detekce anomálií probíhá obecně na základě vypočítaných indikátorů stavu a procesních dat, která byla zaznamenána v podnikovém informačním systému. Pokud je identifikována anomálie, je možné určit vzorec degradace, jako například porucha ložiska nebo převodovky. Tyto vzory jsou pak vloženy do databáze chybových stavů. Tato databáze je využívána automatickými systémy pro diagnostiku.

Automatizovaná diagnostika a prognostika
Pokud známe vzory specifických poruch, můžeme využít automatizace v podobě automatizované prognostiky a prediktivní údržby. V praxi je stále nutné potvrdit doporučení generované automatickými systémy odborníkem na daná stroj. S rychlým rozvojem metod pro zpracování dat a prediktivní analýzu se však spolehlivost automatizovaných diagnostických systémů rychle zvyšuje. Například s pomocí určených vzorů pro poruchu ložisek, převodovky, motoru a jiných komponent je možné použít metodu logistické regrese (a jiné) pro porovnání změřených vzorů a určit tak zdroj poruchy. Analýzou trendu vývoje indikátorů je pak možné predikovat počet hodin provozu do další údržby.
Stav stroje pomáhají určovat i vizuální prostředky v podobě různých grafů, jako například graf „Radar stavu” (anglicky health radar), (obr. 10). V současnosti je používána řada nástrojů používaných pro výzkum i komerční použití. V energetickém průmyslu je detekce anomálií prováděna systémy jako například Instep PRiSM, General Electric SmartSignal, General Physics EtaPro, a jiné.

obr10

Shrnutí online monitorování stavu strojů
Architektura systému pro online monitorování stavu strojů je popsána v sekci 2 a 3 výše. Celá architektura je zobrazena na Obr. 11. Monitorované stroje jsou osazeny sensory, které mohou být součástí řídicího systému, nebo samostatné. Měřicí uzly (DAAN) převedou měřené signály do digitální podoby a odešlou časové průběhy s vypočítanými indikátory na server údržby nebo podnikový server. V rámci serveru údržby jsou data analyzována odborníky v oblasti diagnostiky strojů. Indikátory jsou také publikovány do podnikových informačních systémů, kde jsou využity prognostickými aplikacemi.

obr11

Případová studie – Monitorování a diagnostika v energetice
Výroba elektrické energie prochází významným posunem od tradičních zdrojů energie v podobě jaderných a uhelných elektráren k efektivnějším technologiím plynových turbín. Jelikož je většina tradičních elektráren v provozu dlouhou dobu, jejich vybavení stárne a vyžaduje vice údržby [1]. Navíc, cena paliva pro jaderné a tepelné elektrárny v posledních letech roste. Využití zemního plynu je cenově srovnatelné s využitím jaderného paliva nebo uhlí, plynové turbíny jsou však komplexnější a často dražší na údržbu. Důsledkem toho, že současné elektrárny stárnou a nové elektrárny jsou podstatně komplexnější, objevuje se potřeba po online monitorování veškerého vybavení doplněné automatickou diagnostikou a prognostikou.
Pokud vezmeme jako příklad USA, energetika USA spoléhá významným způsobem na jaderné a uhelné elektrárny. Velká část těchto elektráren je starší, než 30 let, konkrétně 51%.

obr12

Aby bylo možné udržet tyto elektrárny v chodu, je třeba dodatečné údržby. Ke komplexnosti údržby se ještě přidává fakt, že většina nových elektráren postavených v posledních 20 letech je založena na spalování zemního plynu (obr. 13). Elektrárny založené na spalování zemního plynu jsou podstatně levnější z hlediska provozu, ale údržba těchto elektráren je podstatně náročnější.

obr13

Aby bylo možné pokrýt tyto požadavky na údržbu, provozovatelé těchto elektráren hledají a nasazují nové technologie pro kontinuální monitorování všech zařízení. Tyto technologie zahrnují nově technologie jako správa dat, velké počty senzorů, automatický záznam měřených dat a automatická analýza dat.

Duke Energy, největší výrobce elektrické energie v USA
Duke Energy (Duke) je největší holdingová společnost ve Spojených státech zabývající se výrobou elektrické energie. Provozuje portfolio různých typů elektráren s celkovým výkonem 58GW s podílem 41GW zdrojů mimo jadernou energii. [3]. Stroje na výrobu elektrické energie jsou rozmístěny mezi 81 elektrárnami (obr. 15). Když se podíváme na rozložení fosilních technologií pro produkci elektrické energie, 50% je uhlí, 40% patří spalovacím turbínám. Většina elektráren je umístěna na jihovýchodě Spojených států.

obr15

V minulosti používala firma Duke standardní vybavení pro monitorování stavu strojů, plánování údržby a času odstávky. Pracovníci údržby používali manuální pravidelné měření přímo na monitorovaných strojích. Posuzování stavu strojů bylo založeno na porovnávání aktuálních naměřených hodnot s dlouhodobými trendy.
V roce 2010 spustila společnost Duke program “SmartGen”. Cílem tohoto program bylo zavést automatický sběr dat tak, aby personál údržby získal vice času pro analýzu stavu strojů a plánování údržby. Hlavním cílem program bylo co nejrychleji zavést automatickou detekci problémů kritických strojů. Tato rychlá identifikace umožňuje provádět plánovanou údržbu a vyhnout se tak neplánovaným drahým odstávkám. Výsledkem je větší bezpečnost a spolehlivost provozů. Ještě před pěti lety byly jaderné a uhelné elektrárny základem generování elektrické energie. Tyto elektrárny běží ze své podstaty kontinuálně. Duke a další provozovatelé však v nedávných letech investovali do technologií s menšími emisemi. Současně malé uhelné elektrárny a elektrárny se spalovacími turbínami byli zapínány a vypínány tak, aby pokryly špičkovou spotřebu během dne, nebo v letní a zimní sezóně.
V nedávné době se však provoz změnil v důsledku snížení cen zemního plynu a zvýšení cen uhlí. Základní spotřeba je v současnosti pokrývána plynovými a parními turbínami. Velké uhelné elektrárny jsou užívány pro pokrytí špičkové spotřeby a některé menší jsou dokonce odstavovány.
Důsledkem této změny jsou větší nároky na údržbu vybavení. Provozovatelé navíc čelí novým požadavkům na údržbu ve velkých uhelných elektrárnách, protože jsou používány jinak, než byly původně navrženy (kontinuální versus špičkový provoz).
Výsledkem těchto požadavků na spolehlivost bylo vytyčení strategie pro využití moderních technologií pro optimalizaci údržby a využití pracovníků. Společnost Duke odstartovala interní projekt v roce 2010, aby prozkoumala technologie a procesní změny nutné k dosažení vytyčených cílů.
V druhé fázi postoupili ještě o krok dále a začali spolupracovat s Electrical Power Research Institute (EPRI), aby byly schopni dobře navrhnout požadavky na spolehlivost ve spolupráci s ostatními subjekty energetického průmyslu.
Spolupráce s EPRI odstartovala sdílení zkušeností a požadavků v celém energetickém průmyslu. Zjistilo se, že například Exelon, největší provozovatel jaderných elektráren v USA, čelí velmi podobným problémům, jako společnost Duke Energy. Exelon má omezený počet nainstalovaných měřicích zařízení, který omezuje možnosti inženýrů v oblasti diagnostiky a prognostiky stavu strojů. Personál tráví příliš mnoho času sbíráním dat. V některých případech je zařízení navíc v oblastech, kde nelze pravidelně vstupovat z důvodu radiace.
Aby byla rozšířena spolupráce mezi energetickým průmyslem a poskytovateli online monitorovacích zařízení, EPRI a Duke se nadále snaží spojovat dodavatele měřicích systémů a prostředků pro analýzu dat a řízení zdrojů. Členové EPRI jsou výrobci energie a provozovatelé přenosové a distribuční soustavy. Tím, že EPRI pracuje skupinově, je schopna iniciovat prosazení nových standardů, identifikovat nové trendy a umožnit sdílení zkušeností.
EPRI například každoročně hostí konference týkající se monitorování stavu strojů, na základě kterých jsou pak vytvářeny sbírky doporučení s názvy Equipment Condition Assessment [5] a the Fleet Wide Monitoring for Equipment Condition Assessment [6].
Duke Energy nasadil inteligentní měřicí uzly DAAN, analytiku dat a nástroje pro detekci a vizualizaci chybových stavů. Pro větší část elektráren v Severní Americe. Každá elektrárna využívá nejméně 20 měřicích uzlů na blok elektrárny. Měřicí uzly a software pro sběr dat a správu měčicích uzlů je součástí National Instruments InsightCM, architektura na Obr. 18. With the SDK (Software Development Kit), inženýři z Duke a NI mohou rozšiřovat funkcionalitu o nové verze firmware měřicích uzlů a rychle přidávat nové analýzy na serveru. Současná verze umožňuje Duke Energy využít nejen data o vibracích, ale také o průběhu proudu v elektrických motorech (Motor Current Signature Analysis – MCSA) nebo termografii.

obr18

Každá elektrárna má svůj server, který spravuje a sbírá data z měřicích uzlů, počítá relevantní indikátory stavu stroje a odesílá tyto indikátory do programu OSIsoft PI, kde se sbírá historie dat ze všech měřicích uzlů. Data jsou pak použita v programu Instep PRiSM, který je pak schopný vytvořit modely správné činnosti a odhalit tak případné anomálie.

Hlavní poznatky získané při spolupráci s Duke Energy
Nasazení automatizovaných měřicích zařízení vyžaduje prostředky pro plánování a implementaci. Manažeři implementace jsou potřební v každé elektrárně, kde dochází k nasazení. Tito manažeři jsou zodpovědní za řízení zaměstnanců a vybavení, které je použito pro instalaci systému, nastavení softwaru a připojení do podnikové sítě.
Instalace samotných měřicích zařízení může proběhnout před instalací programů. Zejména je možné předem provést identifikaci míst instalace senzorů a nainstalovat je. Jakmile jsou měřicí uzly nainstalovány, je nutné provést validaci naměřených dat a vypočtených indikátorů s hodnotami získanými z ručních měření.
Ve všech instalovaných elektrárnách jsou nakloněni zavedení automatizovaného sběru dat a vyhodnocení. Zaměstnanci údržby aktivně poptávají větší pokrytá senzory, či rozšíření na další stroje, které zatím nejsou monitorovány.

Nejdůležitějším poznatkem je, že systém pracuje, tak jak bylo očekáváno. Už samotná možnost zobrazení trendů hustě naměřených dat zvýšila spolehlivost zařízení. Kontinuálně je vytvářen plán na rozšíření měřicích systémů do dalších elektráren. Duke Energy je na dobré cestě ke kompletnímu pokrytí strojů měřicími systémy tak, aby byli schopni zvýšit produktivitu údržby a snížit tak výrazně náklady.

Závěr
Inteligentní systémy pro on-line monitorování a diagnostiku, zejména ty kompletně pokrývající všechny stroje, jsou a budou dlouhodobě úspěšné. Tyto systémy podstatně snižují úsilí vynaložené pro sběr a analýzu dat. Tento fakt umožňuje odborníkům vzdáleně analyzovat naměřená data ze všech provozů a udělat si kompletní představu o stavu zařízení. Systémy umožňují nastavování prahů, alarmů, zobrazení trendů a výpočet indikátorů. S postupem času je možné vytvořit vzory správného provozu strojů. Pomocí těchto vzorů je možné detekovat případné anomálie s využitím komerčně dostupných programů pro prediktivní analýzu.
Zkušenosti, které zde byly popsány, neplatí jenom pro energetický průmysl, ale i pro jiná odvětví průmyslu, kde se využívá zejména rotačních strojů (elektromotory, turbíny, kompresory).
Vědecká komunita neustále investuje do vývoje prediktivní analýzy, která slibuje posunutí monitorování na úroveň automatizovaných predikcí selhání. Tak jako v případě Duke Energy, i jiné společnosti jsou schopny řešit zvyšující se nároky na údržbu prostřednictvím online-monitorovacích systémů.

Literatura:
[1] Administrativa Energetického průmyslu US, “Electric generator report”, EIA 860 a 860M, Electric Power Monthly, Březen 2011.
[2] Centrum pro inteligentní systémy údržby “IMS Center Brochure”, www.imscenter.net, 2012.
[3] B. Cook, “Duke Energy SmartM&D project”, Konference National Instruments Week 2013, Srpen 2013.
[4] M. Yousuf, “Advanced monitoring, technology innovation and work force optimization”, Konferrnce National Instruments Week 2013, Srpen 2013.
[5] R. Shankar, “Equipment condition assessment, Volume 2, technology evaluation and
integration”, EPRI publikace 1009601, Prosinec 2004.
[6] R. Shankar, “Fleetwide monitoring for equipment condition assessment”, EPRI publikace 1010266, Březen 2006.
[7] P. Jayaswal, A. Wadhwani, and A. Mulchandani, “Machine fault signature analysis”,
International Journal of Rotating Machinery. Vydání 2008, ID článku 583982,
10.1155/2008/583982

TEXT/FOTO Preston Johnson, Allied Reliability Group
Lektoroval: doc. Ing. Miroslav Rakyta, PhD.