ÚDRŽBA V PRŮMYSLOVÉ VÝROBĚ

Prediktivní údržba – na co všechno myslet před jejím zavedením?

Autor: Radek Šimek  a Václav Maixner,  DataSentics, Atos IT Solutions and Services 

Eliminaci nečekaných situací může zajistit preventivní údržba, pravidelné výměny kritických součástek a jejich plánovaná, a poměrně častá, kontrola. Tento přístup však bývá finančně náročný, může narušit plynulý chod výroby podniku a má za následek výměnu komponentů bez ohledu na jejich skutečný stav a skutečnou potřebu patřičného servisu. Nadstavbou tohoto přístupu je prediktivní údržba, která k potenciálním potížím a souvisejícím opatřením přistupuje flexibilněji. Na základě dat z různých zdrojů (např. sensorů, ale i souvisejících dat z provozu), v reálném čase s pomocí umělé inteligence (AI) předvídá provozní stav konkrétních komponent a plánuje jejich údržbu či výměnu.  Údržba tak probíhá jen ve chvíli, kdy je to skutečně potřeba, nebo kdy se to jeví jako vhodné a efektivní. V současné době je tento přístup cílem mnohých firem, ne vždy se ale daří jej vhodně aplikovat. Překážkou může být nedostatečné množství relevantních dat, nejasný cíl nebo opomenutí důležitých parametrů.

Před zaváděním prediktivní údržby tak je užitečné si objektivně definovat, v jaké fázi údržby se nacházíme nyní a zodpovědět si klíčové otázky.

1. Jak jsme na tom teď? Čeho chceme dosáhnout zavedením prediktivní údržby?

Po začátek je důležité udělat si inventuru současného stavu. Aplikujeme preventivní údržbu? Daří se nám vyhýbat se výpadkům? Nešlo by to udělat efektivněji? Jak často u nás dochází k výpadkům a kolik nás to stojí peněz? Na tomto místě bychom si také měli říci, jaká je naše aktuální motivace pro provádění údržby, a to co nejkonkrétněji. Zpravidla to bývá snížení poruchovosti či prodloužení životnosti (RUL – remaining useful life).

2. Jaká data máme k dispozici a jak je sbíráme?

Pro prediktivní údržbu jsou nejdůležitější komoditou data, na kterých se může umělá inteligence naučit různé vzorce a efektivně předvídat budoucí stav stroje a jeho poruchy. Čím více relevantních parametrů měříme a čím častěji měření provádíme, tím lépe a kvalitněji můžeme pro dané zařízení vytvořit model prediktivní údržby. V současné době je již možné využít nejrůznější senzory pro sběr dat o vibracích nebo zvucích v reálném čase. Hodit se nám budou také historická data o zařízení včetně poruch a oprav z minulosti, ideálně v takovém rozsahu, který je úměrný životnosti daného zařízení. Jednotlivá selhání je dobré si kategorizovat a rozlišit jejich typy, aby bylo možné predikovat vhodným modelem.

3. Jsme na prediktivní údržbu připraveni?

Prediktivní údržba je dlouhodobým projektem. Data je potřeba mít sesbíraná předtím, než nastane porucha. Pokud taková data nemáme, je potřeba je nějakou dobu shromažďovat. Přitom je nutné zvážit i to, jak moc dopředu musíme selhání predikovat.

Data v reálném čase

Jak již bylo řečeno, plánování a realizace údržby, a zejména využití té prediktivní, vyžaduje velké množství dat. Důležitá jsou zde tzv. real-time data, tedy data v reálném čase, která můžeme sledovat a vyhodnocovat bezprostředně po jejich sběru. Typicky je získáváme z vibračních senzorů z oblastí, kde je provoz zařízení kritický a potřebujeme se vyhnout vyřazení z provozu. Příkladem mohou být vozíky horské dráhy, které jezdí celý den a jejich selhání mohou znamenat i újmu na zdraví.

Nároky na spolupráci

Při zavádění jakékoliv inovace je vždy klíčová spolupráce všech zainteresovaných lidí ve firmě, úspěchu je možné dosáhnout jen v případě, že každý je ztotožněn s cíli a účelem dané změny a přijímá její zavedení. V rámci prediktivní údržby je důležitá úzká kooperace mezi implementátorem a pracovníky výroby. Je potřeba vzájemně stanovit očekávání, definovat účel nasazení a priority, sestavit plán a vhodně si popsat správné a vadné chování daných zařízení.  Spolupráce je důležitá i po samotném nasazení, protože prediktivní údržba není jednorázový proces, ale vyžaduje zpětnou vazbu a kontinuální učení.

Nekončící proces

Nasazení prediktivní údržby nekončí samotnou prvotní implementací AI modelu a „spuštění“, nejde o jednorázový projekt. Je potřeba kontinuálně pečovat o srdce predikce – AI model, tedy doplňovat další data pro optimalizace a zpřesňovat jej tak i během provozu.

Žijeme v době, která je přeplněná daty. Podniky shromažďují petabajty dat o svých zákaznících, chodu firmy i z výroby. Často to však končí právě u nestrukturovaného shromažďování. Prediktivní údržba je způsob, jak k datům přistupovat chytře, neplýtvat s nimi, ale využívat je pro vyšší efektivitu, úspory, a tím i úspěch celé firmy. Pokud nevíte jak na to, neváhejte se obrátit na odborníky.