Údržba založená na stave, pri ktorom sa zariadenie monitoruje s cieľom odhaliť skoré príznaky poruchy skôr, ako k nim dôjde, existuje už niekoľko rokov. Stav zariadení sa sleduje pomocou akustickej emisie, termografie, analyzujú sa vibrácie, sleduje sa únik mazív, aby sa predišlo vzniku porúch, ktoré by mohli viesť k prestojom a bezodkladným opravám. Poskytujú však malý alebo žiadny prehľad o zostávajúcej životnosti zariadenia alebo jeho dielu.

So všetkým prístrojovým vybavením, snímačmi a technológiami internetu vecí máme dnes prístup k obrovskému množstvu potenciálne užitočných údajov pre údržbu. Stále ich však treba extrahovať a interpretovať. Aj preto je tu veda o údajoch, ktorá poskytuje súbor metód a nástrojov na premenu nespracovaných údajov na informácie s pridanou hodnotou.

Údaje generované systémom ERP a riadiacimi systémami strojov v podnikoch v kombinácii so správami o údržbe, hláseniami o poruchách a externými správami napríklad o počasí sú len niektoré zo zdrojov informácií, ktoré môžu byť užitočné. Veda o údajoch pomáha nájsť korelácie v týchto súboroch údajov, odhaliť slabé miesta a vyvinúť prediktívne modely.

Prístupov je veľa a sú rôznorodé. Algoritmy detekcie anomálií v reálnom čase dokážu zachytiť náznaky chyby v obrovskom množstve údajov. Iné nástroje sa používajú na extrahovanie informácií a štatistických trendov v správach o údržbe, zatiaľ čo strojové učenie umožňuje robiť predpovede na základe reprezentatívnych súborov údajov minulej aktivity.

Predvídanie porúch pomocou prediktívnej údržby

Pre mnohých ľudí je prediktívna údržba stále neprebádaná a vyvoláva vágne predstavy. Viaceré spoločnosti hovoria o prediktívnej údržbe, zatiaľ čo v skutočnosti vykonávajú konvenčnú údržbu založenú na stave, t. j. sledujú stav zariadení a vykonávajú údržbu pri dosiahnutí prahovej hodnoty.

Prediktívny prístup využíva konvenčné deterministické metódy na predpovedanie toho, ako rýchlo sa stroj alebo súčiastka približuje k tejto prahovej hodnote a následne predpovedá aj ich zostávajúcu životnosť. Dnes nám však analýza údajov umožňuje implementovať prediktívnu analýzu, aj keď nemáme žiadne predchádzajúce znalosti o procese a životnosti jednotlivých komponentov. Je založená na metódach strojového učenia, ktoré sa používajú na vývoj matematického modelu zo súboru „tréningových“ údajov reprezentujúcich životný cyklus príslušného systému. Pomocou tohto modelu sa možno naučiť charakteristiky problémových signálov a vypočítať pravdepodobnosť výskytu chyby v danom časovom horizonte. Pracovník údržby je preto schopný na základe tohto pravdepodobnostného prístupu definovať úroveň rizika a určiť kritériá výmeny dielov.

Keď prediktívna údržba zaostáva

Po veľkých výdavkoch na vytvorenie prístupu prediktívnej údržby sa podniky snažia získať späť svoje investície. Technológie, ktoré sľúbili, že ich upozornia na čakajúcu poruchu, sú účinné, no prediktívna údržba môže ísť nad rámec toho, čo sa vyžaduje, a môže spôsobiť, že podniky odstavia zariadenia skôr alebo častejšie, ako je potrebné.

Použitý algoritmus prediktívnej údržby môže zlyhať pri predpovedaní poruchy, čo vedie k falošnému negatívnemu výsledku, v iných prípadoch môže predpovedať udalosť, ktorá by sa nestala, čo by poskytlo falošný pozitívny výsledok. Aj keď sa často vynakladá veľké úsilie na minimalizáciu falošných negatívnych výsledkov, často sú to práve falošné pozitívne výsledky, ktoré znižujú životaschopnosť prediktívnej údržby.

Presnosť modelu je dôležitá

Dátová veda má svoje obmedzenia, ktorým treba porozumieť. Presnosť modelu prediktívnej údržby je mimoriadne dôležitá, pretože sa musí nájsť správna rovnováha medzi poruchami, ktoré neexistujú, a skutočnými poruchami, ktoré neboli zistené. Rizikom je, že nepresnosti obsiahnuté v modeloch prediktívnej údržby vedú k značnému počtu falošných pozitívnych výsledkov alebo falošných indikácií chýb. To má opačný účinok, než sa požaduje. Zvyšujú sa náklady na údržbu, ktorú nebolo potrebné ani vykonať.

Aby sa tieto obmedzenia zmiernili, musia dátoví analytici poznať princíp strojového učenia a spolupracovať s pracovníkmi údržby. Mimoriadne dôležitá je aj znalosť výrobných procesov a postupov, potrebné sú aj vedomosti o životnosti zariadení, na základe ktorých sa zlepšuje presnosť modelov.

Napriek svojmu potenciálu nie je prediktívna údržba v žiadnom prípade všeliekom. Ako pri každom novom modeli, jeho efektívna implementácia zahŕňa prekonanie aj iných prekážok.

1. Výzvy s údajmi o prediktívnej údržbe

Pri zvažovaní platformy prediktívnej údržby existujú dva hlavné problémy, pokiaľ ide o údaje. Prvým je identifikácia kľúčových ukazovateľov pre každé zariadenie, druhým zhromažďovanie údajov štruktúrovaným a konzistentným spôsobom, aby ich systémy prediktívnej údržby mohli efektívne využívať.

Výber zdrojov zberu údajov do značnej miery závisí od povahy daného aktíva. Zatiaľ čo snímače sú veľmi prospešné, mali by sa využívať tam, kde sú naozaj potrebné. Nasadenie množstva snímačov na každé zariadenie, aj tam, kde to nie je potrebné, môže byť nákladné a nepraktické. Aj keď sa prediktívna údržba vo veľkej miere spolieha na snímače, ktoré pravidelne poskytujú informácie o stave zariadenia, ďalšie neopodstatnené pridávanie a údržba takýchto snímačov vyžaduje dodatočné náklady na ich obstaranie a kalibráciu.

Je tiež dôležité zbierať údaje správnym spôsobom. Väčšina platforiem prediktívnej údržby využíva umelú inteligenciu na transformovanie nespracovaných údajov na použiteľné poznatky, ktoré vedú k informovaným rozhodnutiam. Interpretáciou údajov pomocou algoritmov, ktoré sa neustále zdokonaľujú, možno poskytnúť zmysluplné štatistiky v reálnom čase.

2. Náklady na prediktívnu údržbu

Jednou z najväčších začiatočných prekážok pri zavádzaní prediktívnej údržby sú náklady. Nasadenie prediktívnej údržby bez predošlého premyslenia a analýzy potrebných nákladov často vedie k vyšším investíciám a tiež k potrebe odborných zručností. Nové technológie zvyčajne vyžadujú nové zručnosti. Dátová analýza a umelá inteligencia sa preto čoraz viac začleňuje aj do cloudových platforiem, aby bolo možné tieto riešenia nasadiť vo veľkom rozsahu takmer okamžite. Vyspelosť cloudu tiež pomohla znížiť prvotné náklady, keďže je k dispozícii stále viac platforiem prediktívnej údržby založených na cloude. Takýto prístup eliminuje potrebu technologických zručností pracovníkov pri práci s nástrojmi prediktívnej údržby.

Najdôležitejším faktorom pri riešení tohto „problému“ je hodnota. Podniky sa musia pozerať do budúcnosti a smerom k podstatným úsporám, ktoré môže prediktívna údržba priniesť, pretože návratnosť investícií do prediktívnej údržby je vysoká. Dôležité sú však informované rozhodnutia.

3. Bezpečnosť prediktívnej údržby

Bezpečnosť je možno najčastejším problémom pri implementácii prediktívnej údržby ako súčasti stratégie priemyselného internetu vecí. Ransomvérové útoky sa najnovšie zameriavajú na výrobné zariadenia, čo je nezvyčajné, pretože pred rozšírením priemyselného internetu vecí sme o nich nepočuli. Je to z veľkej časti preto, že pridružené systémy otvárajú nové cesty k systémom, ktoré boli predtým nedostupné alebo skryté pred vonkajším svetom. Našťastie, cloudové platformy prediktívnej údržby sú postavené na najvyšších bezpečnostných štandardoch a zvyčajne predstavujú možnosť s nižším rizikom ako vývoj vlastných systémov, kde sú zdroje rozptýlené na rôznych miestach.

Potrebné je informované myslenie

Vzhľadom na obrovský potenciál prediktívnej údržby možno nie je prekvapujúce, že jej nasadenie zahŕňa množstvo prekážok. Výzvy ako správa údajov, presnosť modelu, zručnosti, investície a bezpečnosť sú, samozrejme, spoločné pre mnohé projekty digitalizácie. Preto je kľúčom k ich prekonaniu pustiť sa do projektu s realistickým a informovaným myslením.

Zdroj

[1] Common problems with predictive maintenance. Senseye. [online]. Publikované 21. 6. 2022. Citované 23. 1. 2023. 

[2] Establishing the right analytics-based maintenance strategy. McKinsey & Company. [online]. Publikované 19. 7. 2021. Citované 23. 1. 2023. 

[3] Challenges faced while implementing predictive maintenance. Asset. [online]. Publikované 11. 3. 2022. Citované 23. 1. 2023.