Digitální dvojče

Prediktivní údržba a věčné dilema mezi ambicí a realitou výrobní haly

Autor: Petar P. Stanchev, Ph.D., LL.D., jednatel, Aplis Solutions s.r.o., zakladatel, AssIQ.ai

Otevřete si webové stránky libovolného dodavatele technologií pro průmysl. Přečtěte si program jakékoli konference o Průmyslu 4.0. Projděte si prezentace integrátorů, výrobců senzorů, dodavatelů IoT platforem. Všude narazíte na totéž magické slovní spojení: prediktivní údržba. Je to bezpochyby jedno z nejpoužívanějších hesel digitální transformace výroby. A zároveň jedno z nejméně naplněných.

Buďme upřímní: prediktivní údržba je v drtivé většině českých (a nejen českých) výrobních podniků stále spíše ambicí než realitou. Technologie existují. Senzory jsou dostupné. Platformy pro sběr a analýzu dat jsou na trhu. A přesto: když přijdete do konkrétní výrobní haly a zeptáte se, zda skutečně predikují poruchy svých strojů, odpověď je téměř vždy stejná: zatím ne.

Dvojí výmluva, která nikdy nestárne
 

Důvody, proč prediktivní údržba zůstává na papíře, jsou překvapivě stále stejné. Spadají do dvou hlavních kategorií a obě zní na první poslech přesvědčivě.

Kategorie číslo jedna: Nemáme data. Firma je teprve na začátku digitalizace. Senzory zatím nemontujeme. Data ze strojů nesbíráme, nebo jen v omezené míře. A i když ano, stroje jsou kvalitní, mají dlouhou životnost a kazí se jen zřídka. Řečeno jinak: nemáme dost poruch na to, abychom se z nich mohli něco naučit. To je paradox hodný pozornosti: firma vlastně říká: naše stroje jsou příliš dobré na to, abychom mohli zavést moderní údržbu.

Kategorie číslo dva: Předepsaná údržba nás svázala. Výrobci zařízení předepisují údržbové intervaly s velkorysou bezpečnostní rezervou. Olej se mění po 2 000 hodinách, i když by možná vydržel 3 500. Ložiska se profylakticky vyměňují, ačkoli nevykazují žádnou známku únavy. Výsledek? Platit za údržbu, která možná není nutná nebo riskovat ztrátu záruky. Nikdy přesně nevíme, kde leží skutečný efektivní okamžik pro zásah.

Tyto dvě výmluvy, a používám to slovo záměrně, spolehlivě fungují už nejméně deset let. Otázka zní: musí to tak zůstat?

Co nás naučily testy výdrže

Všimněte si, jak postupují výrobci spotřební elektroniky. Když Samsung uvádí na trh skládací telefon, neposílá ho zákazníkům a nečeká tři roky, až se někdo ozve, že mu praskl displej. Místo toho simuluje desítky tisíc překlopení za den v laboratorních podmínkách. Když výrobce počítačových myší deklaruje životnost 50 milionů kliknutí, nepočítá kliknutí reálných uživatelů, simuluje je.  

Princip je jasný: simulujte opotřebení a degradaci, nečekejte na ni. Neshromažďujte data o poruchách pasivně, generujte je aktivně. A právě tady se otevírá cesta, která je pro průmyslové podniky reálnější, než se na první pohled zdá.

Digitální dvojče jako akcelerátor dat
 

Samozřejmě, nikdo vám nedá CNC obráběcí centrum za 300 000 eur, abyste ho podrobili zrychlenému testu opotřebení. Nikdo vám nedovolí záměrně přetěžovat vřeteno nebo zanedbávat mazání, jen abyste získali data o tom, co se stane, když se něco pokazí. To je pochopitelné.

Ale proč bychom to dělali na reálném stroji, když můžeme pracovat s jeho digitálním dvojčetem?

Digitální dvojče v kombinaci s procesní simulací představuje právě ten chybějící článek. Umožňuje modelovat chování stroje v různých scénářích, při různém zatížení, teplotě, frekvenci využití, kvalitě materiálu. Můžeme simulovat tisíce hodin provozu během několika dnů. Můžeme testovat krajní podmínky, které by v reálné výrobě nikdy záměrně nevytvořili. A hlavně: můžeme generovat data, která bychom jinak sbírali roky.

Přidejte k tomu cloudové výpočetní kapacity, které dnes umožňují sdílet výpočetní výkon a spouštět rozsáhlé simulace bez nutnosti investovat do vlastní HPC infrastruktury, a situace se začíná měnit zásadně. Najednou máte k dispozici syntetická data, která odrážejí reálné fyzikální chování stroje … a máte jich dost na to, abyste mohli začít hledat vzorce.

Od dat k logice: kde vstupuje umělá inteligence
 

Data jsou nutným předpokladem, ale samy o sobě nestačí. Klíčová výzva prediktivní údržby leží v nalezení logiky, v algoritmech, které dokážou z obrovského množství proměnných spolehlivě rozpoznat, že se blíží problém. Vibrace, teplota, spotřeba energie, odchylky v procesu: to vše tvoří složitý multidimenzionální prostor, ve kterém je hledání smysluplných korelací netriviálním úkolem.

Mohli byste samozřejmě oslovit tým matematiků a datových analytiků – například partnera našeho AssIQ.ai ekosystému, společnost CzechMath, kde 80 % zaměstnanců jsou matematici. A v určitých fázích projektu je to skutečně ideální cesta, například při formulaci počátečního matematického modelu nebo validaci výstupů. Ale ne každý projekt má rozpočet na týdny práce specializovaného týmu, a ne každá firma má k takovým odborníkům přístup.

A právě zde přichází ke slovu umělá inteligence. Současné modely strojového učení dokážou pracovat s multidimenzionálními daty způsobem, který je pro lidského analytika časově i kognitivně nedosažitelný. AI dokáže identifikovat skryté vzorce v datech ze simulací, rozpoznat rané indikátory degradace a navrhnout optimální časování údržby, ne na základě obecného předpisu výrobce, ale na základě skutečného stavu a chování konkrétního stroje v konkrétních provozních podmínkách.

Praktická cesta, ne vzdálená vize
 

Shrneme-li to: kombinace digitálního dvojčete, procesní simulace, cloudového výpočetního výkonu a AI analytiky představuje reálnou cestu, jak překonat oba hlavní bloky pro rozvoj prediktivní údržby. Nedostatek dat? Simulujte je. Příliš konzervativní údržbové plány od výrobce? Nechte AI najít skutečný optimální bod na základě fyzikálního modelu, ne marketingového katalogu.

Není to samozřejmě triviální. Vyžaduje to kvalitní fyzikální model stroje, správně nastavené parametry simulace, dostatek výpočetních zdrojů a schopnost interpretovat výstupy. Ale je to cesta, která je dnes technologicky dosažitelná a ekonomicky obhajitelná na rozdíl od pasivního čekání na data, která možná nikdy nepřijdou v dostatečném objemu.

V rámci ekosystému AssIQ.ai, který jsme založili před rokem a který dnes sdružuje přes dvacet členů z řad technologických firem, akademických pracovišť a konzultantů, se právě těmito tématy intenzivně zabýváme. Propojujeme kompetence v oblasti digitálních dvojčat, procesních simulací, datové analytiky a AI s cílem poskytnout průmyslovým podnikům komplexní podporu, od první konzultace až po funkční prediktivní model nasazený v reálném provozu.

Preventivní i prediktivní údržba si totiž konečně zaslouží přejít z prezentací v Power Point do výrobních hal. A my chceme ukázat, že to jde.