Nečakaným situáciám môže predísť takzvaná preventívna údržba, pravidelné výmeny kritických súčiastok a ich plánovaná, pomerne častá kontrola. Tento prístup však býva finančne náročný, môže narušiť plynulý chod výroby podniku a má za následok výmenu komponentov bez ohľadu na ich skutočný stav a skutočnú potrebu patričného servisu.

Nadstavbou tohto prístupu je takzvaná prediktívna údržba, ktorá k potenciálnym problémom a súvisiacim opatreniam pristupuje flexibilnejšie. Na základe dát z rôznych zdrojov (napríklad senzorov, ale i súvisiacich dát z prevádzky) v reálnom čase s pomocou umelej inteligencie (AI) predvída prevádzkový stav konkrétnych komponentov a plánuje ich údržbu či výmenu. Údržba tak prebieha len vo chvíli, keď ju skutočne potrebná alebo keď sa to javí ako vhodné a efektívne.

V súčasnosti je tento prístup cieľom mnohých firiem, nie vždy sa ho však darí vhodne aplikovať. Prekážkou môže byť nedostatočné množstvo relevantných dát, nejasný cieľ alebo opomenutie dôležitých parametrov. Pred zavádzaním prediktívnej údržby je tak užitočné objektívne definovať, v akej fáze údržby sa podnik v danom momente nachádza a zodpovedať si kľúčové otázky.

1. Ako sme na tom teraz? Čo chceme dosiahnuť zavedením prediktívnej údržby?

Na začiatku je dôležité spraviť si inventúru súčasného stavu. Aplikujeme preventívnu údržbu? Darí sa nám vyhýbať sa výpadkom? Nedalo by sa to spraviť efektívnejšie? Ako často u nás dochádza k výpadkom a koľko nás to stojí peňazí? Na tomto mieste by sme si mali aj povedať, aká je naša aktuálna motivácia na vykonávanie údržby, a to čo najkonkrétnejšie. Väčšinou to býva zníženie poruchovosti či predĺženie životnosti (RUL – remaining useful life).

2. Aké dáta máme k dispozícii a ako ich zbierame?

Pre prediktívnu údržbu sú najdôležitejšou komoditou dáta, na ktorých sa môže umelá inteligencia naučiť rozpoznávať rôzne vzorce a efektívne predvídať budúci stav stroja a jeho poruchy. Čím viac relevantných parametrov meriame a čím častejšie meranie vykonávame, tým lepšie a kvalitnejšie môžeme pre dané zariadenie vytvoriť model prediktívnej údržby. V súčasnosti už možno využiť najrôznejšie senzory na zber dát o vibráciách alebo zvukoch v reálnom čase. Vhod nám prídu aj historické dáta o zariadení vrátane porúch a opráv z minulosti, ideálne v takom rozsahu, ktorý je úmerný životnosti daného zariadenia. Oplatí sa jednotlivé zlyhania kategorizovať a rozlíšiť ich typ, aby ich bolo možné predikovať vhodným modelom.

3. Sme na prediktívnu údržbu pripravení?

Prediktívna údržba je dlhodobý projekt. Dáta treba mať zozbierané predtým, ako nastane porucha. Ak také dáta nemáme, treba ich nejaký čas zhromažďovať. Pritom je nutné zvážiť i to, ako veľmi dopredu musíme zlyhanie predikovať.

Dáta v reálnom čase

Plánovanie a realizácia údržby, a najmä využitie tej prediktívnej, vyžaduje veľké množstvo dát. Dôležité sú takzvané real-time data, čiže dáta v reálnom čase, ktoré môžeme sledovať a vyhodnocovať bezprostredne po ich zbere. Typicky ich získavame z vibračných senzorov z oblastí, kde je prevádzka zariadenia kritická a potrebujeme sa vyhnúť vyradeniu z prevádzky. Príkladom môžu byť vozíky horskej dráhy, ktoré jazdia celý deň a ich zlyhanie môže znamenať aj ujmu na zdraví.

Nároky na spoluprácu

Pri zavádzaní akejkoľvek inovácie je vždy kľúčová spolupráca všetkých zainteresovaných ľudí vo firme. Úspech možno dosiahnuť len v prípade, že sa každý stotožní s cieľmi danej zmeny a prijíma jej zavedenie. V rámci prediktívnej údržby je dôležitá úzka spolupráca medzi implementátorom a pracovníkmi výroby. Treba vzájomne stanoviť očakávania, definovať účel nasadenia a priority, zostaviť plán a vhodne opísať správne a chybné správanie daných zariadení. Spolupráca je dôležitá aj po samotnom nasadení, pretože prediktívna údržba nie je jednorazový proces, ale vyžaduje spätnú väzbu a kontinuálne učenie.

Nekončiaci sa proces

Nasadenie prediktívnej údržby sa nekončí prvotnou implementáciou AI modelu a „spustením“, nejde o jednorazový projekt. O srdce predikcie – AI model – sa treba kontinuálne starať, čiže dopĺňať ďalšie dáta na optimalizácie a spresňovať ho tak i počas prevádzky.

Žijeme v čase, ktorý je preplnený dátami. Podniky zhromažďujú petabajty dát o svojich zákazníkoch, o chode firmy i údaje z výroby. Často sa to však končí práve pri neštruktúrovanom zhromažďovaní. Prediktívna údržba je spôsob, ako k dátam pristupovať inteligentne, neplytvať nimi, ale využívať ich s cieľom vyššej efektivity, úspory a úspechu celej firmy. Ak neviete ako na to, neváhajte sa obrátiť na odborníkov.

Aké parametre zahrnúť?

Oplatí sa myslieť skrátka na všetko. Napríklad v prípade údržby kolies vlaku berieme do úvahy nielen najazdené kilometre a ich záťaž, ale zameriavame sa aj na podmienky počasia a podnebia alebo typ terénu. K väčšiemu opotrebovaniu dochádza v oblastiach s vyššou vlhkosťou alebo v kopcovitých terénoch. S tým všetkým treba počítať.

  
Radek Šimek

portfólio manažér riešení pre výrobu

Václav Maixner
špecialista na AI vo výrobe, DataSentics