Mikor térül meg a prediktív karbantartás?

Egy csapágy meghibásodása önmagában ritkán a legnagyobb költség. A valódi veszteség akkor keletkezik, amikor a gépsor váratlanul leáll, a műszak átszerveződik, a rendelés csúszik, az alkatrész nincs készleten, és a karbantartó csapat kapkodva próbálja helyreállítani a termelést. A prediktív karbantartás erre a helyzetre adhat választ, de csak akkor, ha nem pusztán szenzorprojektként kezelik.

Sok üzemben már ma is gyűlnek adatok a gépekről. A PLC rögzít állapotokat, a frekvenciaváltó hibakódot küld, a kezelő feljegyzi a rendellenes zajt, a karbantartási naplóban pedig ott van az előző javítás. Mégis előfordul, hogy ezek az információk külön rendszerekben maradnak, vagy senki nem nézi őket addig, amíg a berendezés meg nem áll. Ilyenkor nem adat hiányzik, hanem használható döntési folyamat.

Mit jelent valójában a prediktív karbantartás?

A prediktív karbantartás célja, hogy egy berendezés várható hibájára még a működésképtelenség előtt lehessen következtetni. Nem az a kérdés, hogy egy gép valaha elromlik-e, hanem az, hogy a romlásnak vannak-e észlelhető jelei, mennyire korán láthatók, és van-e idő tervezett beavatkozásra.

Ezek a jelek lehetnek rezgésértékek, hőmérséklet-emelkedés, áramfelvétel-változás, nyomásingadozás, ciklusidő-romlás vagy egy adott hibatípus gyakoribb megjelenése. Egy csomagológépnél például a selejtarány növekedése és a ciklusidő lassulása jelezhet mechanikai kopást. Egy szivattyúnál a rezgés és a hőmérséklet együtt mutathatja, hogy a csapágy állapota romlik.

Ez különbözik a javító karbantartástól, ahol a hiba után történik a beavatkozás, és az időalapú megelőző karbantartástól is, ahol előre meghatározott intervallumban cserélnek alkatrészt. Az utóbbi sok esetben indokolt, különösen biztonságkritikus vagy jogszabály által szabályozott eszközöknél. A prediktív megközelítés ott lehet erős, ahol az állapot ténylegesen mérhető, a kiesés költséges, és a beavatkozás időzítése üzletileg számít.

Nem minden géphez kell ugyanaz a megoldás

A leggyakoribb hiba, hogy egy vállalat minden fontosnak tűnő berendezést azonnal mérni akar. Ez gyorsan drága, bonyolult és nehezen fenntartható rendszert eredményezhet. Érdemes először azt vizsgálni, mely eszközök kiesése okozza a legnagyobb üzleti kockázatot.

Egy kritikus gép nem feltétlenül a legnagyobb vagy legmodernebb. Lehet egy régebbi kompresszor, amelynek nincs tartaléka, egy címkéző, amely nélkül nem indulhat kiszállítás, vagy egy szűk keresztmetszetet jelentő megmunkáló központ. Ha ez az eszköz leáll, mennyi termelés esik ki? Mekkora a javítási idő? Elérhető-e alkatrész? Van-e kerülő folyamat, vagy az egész műszak vár?

A választásnál a hibamód is számít. Egyes hibák fokozatosan alakulnak ki, ezért jól előrejelezhetők. Mások hirtelen következnek be, külső esemény, kezelői hiba vagy anyaghiba miatt. Nem célszerű olyan előrejelzési modellt ígérni, amelyhez nincs elegendő előjel vagy értelmezhető adat. Ilyen esetben a jobb védelem lehet egy megbízható riasztás, tartalék alkatrész vagy átgondolt vészhelyzeti eljárás.

A karbantartási előzmény ugyanolyan fontos, mint a szenzor

Ha a javításokat csak szabad szöveges megjegyzésekben rögzítik, nehéz megmondani, mi történt valójában egy géppel. A „csapágy javítva” bejegyzés például nem mondja meg, melyik egység hibásodott meg, milyen tünet előzte meg a cserét, mennyi ideig állt a gép, és megszűnt-e a probléma.

A használható predikcióhoz nem kell az első napon tökéletes adatbázis. Kell viszont következetes azonosítás: melyik berendezésről van szó, milyen hibajelenség történt, milyen munkát végeztek, milyen alkatrészt használtak, és mennyi volt a kiesés. Ezekből idővel olyan minta rajzolódhat ki, amelyet a műszakvezető, a karbantartó és a termelési vezető is értelmezni tud.

Az adatból akkor lesz érték, ha valaki dönthet belőle

Egy műszerfal önmagában nem csökkenti a leállásokat. Ha a rendszer jelez egy rendellenességet, világosnak kell lennie, ki kapja a jelzést, milyen határérték számít sürgősnek, ki hagyja jóvá a beavatkozást, és hogyan illeszkedik mindez a termelési tervhez.

Vegyünk egy egyszerű helyzetet. A rendszer azt jelzi, hogy egy motor rezgése három hete fokozatosan emelkedik. A karbantartó csapat tud róla, de a termelés nem akar megállni, ezért a feladat minden héten átkerül a következőre. Végül a motor péntek délután hibásodik meg, amikor az alkatrészbeszerzés lassabb, és a hétvégi rendeléseket is érinti a kiesés. Ez nem előrejelzési hiba. Ez döntési és felelősségi hiba.

A jó folyamat nem feltétlenül bonyolult. A jelzéshez tartozhat kockázati szint, ellenőrzési feladat, célidő és dokumentált döntés. Egy alacsony kockázatú eltérésnél elég lehet a következő tervszerű leálláskor végzett vizsgálat. Kritikus állapotnál viszont a termelési tervet, a szükséges alkatrészt és a szakember rendelkezésre állását is össze kell hangolni.

Itt válik fontossá a rendszerintegráció. Ha a gépadat egy ipari felügyeleti rendszerben él, a karbantartási feladat egy másik alkalmazásban, az alkatrészkészlet pedig egy harmadikban, az emberek ismét kézzel viszik át az információt. A késlekedés és a félreértés kockázata visszatér. A cél nem az, hogy minden rendszert lecseréljenek, hanem hogy a kritikus információ megfelelő időben eljusson a megfelelő szereplőhöz.

Hogyan érdemes elindítani a prediktív karbantartást?

Az első lépés nem szenzorbeszerzés, hanem egy rövid, tárgyszerű feltárás. Mely berendezések okozták a legtöbb nem tervezett kiesést az elmúlt 12 hónapban? Mennyi volt ezek közvetlen és közvetett költsége? Milyen adat létezik róluk? Hogyan születik ma döntés egy rendellenes állapotról?

Ezután célszerű egy jól körülhatárolható pilotot kijelölni. Egy gépcsoport, egy visszatérő hibamód vagy egy kritikus szűk keresztmetszet elég ahhoz, hogy a vállalat megtanulja, milyen adatra van valóban szüksége. A pilot sikere nem abból látszik, hogy hány grafikon készült, hanem abból, hogy sikerült-e egy beavatkozást tervezetten elvégezni, elkerülve vagy lerövidítve egy leállást.

A következő négy kérdésnek már a kezdetektől egyértelmű választ kell kapnia:

• Melyik üzleti kockázatot akarjuk csökkenteni: kiesést, selejtet, sürgős javítást vagy készletbizonytalanságot?
• Mely mérési adatok és karbantartási előzmények támasztják alá ezt a döntést?
• Ki értelmezi a jelzést, és milyen időn belül kell intézkednie?
• Hogyan mérjük, hogy a bevezetés valóban javított-e a működésen?

A mérésnél ne csak a meghibásodások számát nézzék. Fontos lehet a nem tervezett állásidő, az átlagos javítási idő, a sürgősségi alkatrészrendelések aránya, a selejt, valamint a karbantartási munka tervezhetősége is. Egy jól működő rendszer gyakran nem látványosabb, hanem kiszámíthatóbb: kevesebb az éjszakai hívás, kevesebb a soron kívüli beszerzés, és a termelési terv ritkábban borul fel.

Az AI csak akkor segít, ha a működés alapjai rendben vannak

A mesterséges intelligencia képes nagy mennyiségű idősoros adatban mintákat találni, rendellenességet jelezni, vagy a karbantartási jegyek szövegét kategorizálni. Ez hasznos lehet, különösen összetett gépparkoknál. Nem helyettesíti azonban a gépismeretet, a karbantartási fegyelmet és az üzemi döntési rendet.

Ha a hibák nincsenek következetesen rögzítve, a szenzoradatok hiányosak, vagy a jelzésekre nincs reakció, az AI csak gyorsabban állít elő bizonytalan eredményt. Előbb a folyamatot kell rendbe tenni: egységes eszközazonosítás, megbízható adatgyűjtés, karbantartási munkarend és egyértelmű felelősségek. Erre lehet később olyan elemzést építeni, amely valóban támogatja a döntést.

A prediktív karbantartás értéke végül nem abban mérhető, hogy mennyi adatot gyűjt a vállalat, hanem abban, hogy a következő kritikus leállás előtt képes-e nyugodtan, tervezetten cselekedni. Ez az a pont, ahol a technológia nem külön projekt marad, hanem a megbízhatóbb működés része lesz.