Jadrom problému je nepružnosť akéhokoľvek pevného harmonogramu. Aby sa zabránilo vysokým nákladom spojeným s neočakávanými prestojmi, sú plány údržby zvyčajne konzervatívne. Ich nedostatkom je, že sa vykonáva viac inšpekcií, ako je nevyhnutné na to, aby sa zabránilo neplánovaným poruchám. Štúdia ARC Advisory Group o správe podnikových technických prostriedkov uviedla, že na ich údržbu vykonávanú na základe pevných plánov sa vynakladá viac ako polovica prostriedkov určených na celkovú správu podnikových technických prostriedkov.

Optimalizácia údržby

Náklady na tradičnú údržbu sa dajú zväčša znížiť v dvoch oblastiach. Jednou z nich je personál, ktorý sa pri vykonávaní inšpekcií potrebuje presunúť zo stroja na stroj a z miesta na miesto. Druhou sú náklady na to, že pri vykonávaní každej kontroly treba uviesť stroj do stavu offline. Aj keď sa plánovanie kontrol snaží vyhnúť času, keď sú zariadenia v prevádzke, nie je to vždy možné alebo ľahko predvídateľné. To niekedy vedie k tomu, že výrobcovia musia do svojich liniek zabudovať ďalšiu kapacitu, aby sa vyrovnali s odstávkou produktívneho strojového zariadenia v špičkách.

Prediktívna údržba na druhej strane ponúka príležitosť nielen na značnú úsporu nákladov vykonaním manuálnych kontrol len v čase, keď je to naozaj potrebné, ale aj na zníženie nákladov spojených s plánovanými aj neplánovanými prestojmi. Niekoľko odborníkov vrátane Steva Sandsa, produktového a marketingového manažéra spoločnosti Festo, považuje prediktívnu údržbu za kľúčový odrazový mostík pri prechode na Priemysel 4.0. Hovorí, že je to preto, lebo z jej aplikácie „vidíte zreteľnú návratnosť investícií“.

Zhromažďovanie údajov v reálnom čase

Vďaka prediktívnej technológii už plán údržby nie je pevne stanovený, ale riadi sa skutočným opotrebovaním a degradáciou zariadenia. Prediktívna údržba ide ruka v ruke s Priemyslom 4.0, pretože bude využívať bežné komponenty: zabudované inteligentné snímače a kombináciu miestnych a cloudových výpočtových zdrojov. Na detekciu potenciálnych problémov možno použiť snímače vibrácií, teploty, elektrického prúdu a ďalšie, ako aj podporné softvérové modely, ktoré bežia lokálne alebo vzdialene a vykonávajú analýzu v reálnom čase.

Martin Walder, viceprezident pre priemysel v spoločnosti Schneider Electric, hovorí: „Predstavte si, že monitorujete mechanicky pohyblivé časti, ako sú roboty a lineárne pohony. Monitorovaním motorov na týchto zariadeniach môžete pochopiť, ako rýchlo sa opotrebúvajú. Čím viac toho robíte, tým viac problémov a s tým súvisiacich parametrov môžete pochopiť. A potom budete vedieť, ako ich udržiavať.“

Sara Ghaemi, vedúca tímu riadenia vzťahov s kľúčovými zákazníkmi pre automobilové a priemyselné systémy spoločnosti Panasonic, súhlasí s názormi M. Waltera. Očakáva, že dostupnosť cloudových výpočtov a ďalších možností v podobe výkonného strojového učenia bude pri vývoji efektívnych prediktívnych algoritmov nevyhnutná. „Už máme formy prediktívnej údržby, ale bude to oveľa inteligentnejšie, pretože bude k dispozícii oveľa lepší prístup k potrebným údajom prostredníctvom internetu vecí a lepšie sa budú tieto údaje chápať prostredníctvom umelej inteligencie.“

Úloha umelej inteligencie

„Umelá inteligencia bude hrať v tejto časti trhu veľmi dôležitú úlohu; prídu ešte mnohé vylepšenia, ktoré koncovému inžinierovi alebo spoločnosti uľahčia používanie týchto nástrojov,“ konštatuje S. Ghaemi. V minulosti sa vyskytli pokusy o implementáciu prediktívnej údržby, tie sa však zvyčajne spoliehali na ľudskú odbornosť, pretože objem údajov a schopnosť ich interpretácie boli obmedzené. Kombinácia umelej inteligencie a prístupu k podrobným dátovým tokom zhromaždeným pomocou IoT poskytuje schopnosť trénovať modely namiesto toho, aby sme sa spoliehali na ručne programované algoritmy. Ďalšou výhodou umelej inteligencie je, že môže využívať oveľa viac zdrojov údajov, ako je možné pri ručne vyladených modeloch.
Do údajov zo snímačov budú veľmi často zabudované signály, ktoré odborníci v jednotlivých oblastiach priemyslu či špecifických technológií nemajú čas skúmať a programovať do podoby algoritmu. Model strojového učenia dokáže ľahko nájsť korelácie medzi údajmi zo snímačov, ktoré spoľahlivo určia problémy a odhadnú čas do zlyhania. Pritom poskytujú výrobcom možnosť vyvíjať efektívnejšie a dynamickejšie plány opráv. Thomas Dale, technický manažér spoločnosti Omega, tvrdí, že vďaka schopnosti používať predtým nerealizované korelácie bude prediktívne riadenie a monitorovanie výkonnejšie.

Festo patrí medzi spoločnosti, ktoré do svojich riešení údržby integrujú umelú inteligenciu. „Asi pred dvoma rokmi kúpila spoločnosť Festo spoločnosť s názvom Resulta, ktorej riešenia v oblasti umelej inteligencie integrujeme do vývojových oblastí. Tá riadi programy, ktoré spúšťajú detekciu anomálií a potom môžu tieto informácie preniesť do vonkajšieho prostredia. Ďalším pokrokom je nástroj s názvom Smartenance ako ďalší inteligentný nástroj na údržbu, ktorý umožňuje zákazníkovi zostaviť protokol údržby na tabletoch alebo iných zariadeniach,“ vysvetľuje S. Sands.

Smartenance predstavuje základné prepojenie medzi detekciou anomálií a umelou inteligenciou a zaisťuje, že sa nestratí hodnotný ľudský náhľad. „Ak začnete robiť detekciu anomálií pomocou umelej inteligencie, musíte to vložiť niekomu do plánu údržby. Napríklad to pošlete osobe zaškolenej na prácu s daným zariadením,“ dodáva S. Sands. „Takto zaškolená osoba musí potom premýšľať o tom, či sa niečo pokazí, čo to spôsobí a ako sa to napraví. Musíte v tomto procese udržať človeka, aby spolupracoval s umelou inteligenciou, kontroloval algoritmus a upravil to tak, aby sa umelá inteligencia učila a zlepšovala.“

M. Walter hovorí, že spoločnosť Schneider Electric zabudovala umelú inteligenciu do mnohých svojich produktov s cieľom monitorovať ich stav. Využitie IoT na prepojenie snímačov od mnohých rôznych dodávateľov, ako sú snímače teploty od spoločnosti Omega so snímačmi od spoločností Festo, Schneider a ďalších, umožňuje efektívnejšie spravovať program údržby. Napríklad dlhodobá analýza môže demonštrovať namáhanie, ktoré znižuje spoľahlivosť a možno ho zmierniť zmenou výrobných tokov.

Lokálne a cloudové spracovanie

Inteligenciu možno distribuovať pomocou strojov rozmiestnených v bunkách, ktoré sa prispôsobujú tokom bez toho, aby nevyhnutne potrebovali hlavný riadiaci systém. Ide o koncept v pozadí portfólia spoločnosti Molex s názvom Industrial Automation Solutions (IAS) 4.0. „Každej oblasti umožníme riadiť samu seba a svoju vlastnú bezpečnosť a hlásiť tieto informácie ostatným riadiacim jednotkám, aby mohli reagovať na zmeny,“ hovorí Jeff Barnes, európsky manažér pre priemyselné produkty spoločnosti Molex.

Výrobcovia a integrátori môžu využívať prispôsobené zariadenia určené na pripojenie na hranu siete so zabudovanou umelou inteligenciou. Jedným z riešení je použitie softvéru Brainium AI bežiaceho na platforme AvEnet SmartEdge Agile. Riešenie Brainium ponúka flexibilitu pri lokálnom spustení niektorých algoritmov umelej inteligencie, zatiaľ čo ďalšie zložitejšie funkcie a tie, ktoré sa používajú na podporu dlhodobého plánovania, sa odovzdávajú na spracovanie do cloudu. Napríklad riešenie Schneider Electric s názvom EcoStruxure využíva veľké množstvo údajov, ktoré môžu byť obsiahnuté v cloudovom úložisku, na podporu rozsiahlej analýzy a ťažby dát. Pretože náklady na výkon spracovania údajov neustále klesajú, je pravdepodobné, že výrobcovia využijú väčšiu kapacitu „lokálnej inteligencie“, aby čo najskôr získali o danom zariadení podrobný prehľad.

Nové modely služieb

J. Barnes vidí kombináciu prediktívnej údržby a technológií Priemyslu 4.0 ako základ nových modelov služieb. Jedným z nich je prechod od kapitálových výdavkov na modely financovania založené na výstupe, kde sa výrobcovia strojov aktívnejšie podieľajú na zaručení prevádzkyschopnosti a maximalizujú svoje príjmy aj príjmy zákazníkov. „Výrobca stroja by mal takto záujem napr. skontrolovať svoj stroj, pretože je pravdepodobné, že v prípade jeho zlyhania bude platiť nemalé penále,“ hovorí. Výhodou prediktívnej údržby je, že sa nebudete spoliehať na pevne dané časové plány a budete rýchlo reagovať na potenciálne problémy.

Cenotvorba založená na výstupe strojov môže lepšie využiť hardvér ako tradičné modely predaja. Ak zákazník napríklad vyžaduje od zariadenia rôzne schopnosti, podľa Barnesa „jeho výrobca ho môže dostať späť a zrekonštruovať tak, aby robil niečo iné namiesto toho, aby skončil v zbere“.

Vo výsledku môže prediktívna údržba znamenať oveľa viac než len jednoduché zníženie nákladov na kontrolu strojov. Čím viac spoločností prijme riešenia prediktívnej údržby, tým viac budú rozumieť svojim technológiám a tomu, ako fungujú. Keď sa využije celý jej potenciál, prediktívna údržba a technológie s ňou súvisiace budú čoraz viac zvyšovať prevádzkovú efektívnosť a dlhodobý úspech.

Cliff Ortmeyer
globálny vedúci technického marketingu v spoločnosti Farnell
www.farnell.com