Kedy sa oplatí prediktívna údržba?

Samotné zlyhanie ložiska zriedka predstavuje najväčší náklad. Skutočná strata nastáva, keď sa výrobná linka neočakávane zastaví, zmena sa reorganizuje, objednávka sa oneskorí, súčiastka nie je na sklade a údržbársky tím sa snaží rýchlo obnoviť výrobu. Prediktívna údržba môže byť riešením tejto situácie, ale iba ak sa neberie len ako projekt senzorov.

V mnohých závodoch sa už dnes zhromažďujú údaje o strojoch. PLC zaznamenáva stavy, frekvenčný menič posiela chybový kód, operátor zaznamenáva abnormálny hluk a v údržbárskom denníku sú uvedené predchádzajúce opravy. Napriek tomu sa stáva, že tieto informácie zostávajú v samostatných systémoch alebo ich nikto nepozrie, kým sa zariadenie nezastaví. V takom prípade nechýbajú údaje, ale použiteľný rozhodovací proces.

Čo skutočne znamená prediktívna údržba?

Cieľom prediktívnej údržby je predpovedať očakávanú poruchu zariadenia ešte pred jeho nefunkčnosťou. Otázkou nie je, či sa stroj niekedy pokazí, ale či existujú zistiteľné znaky opotrebovania, ako skoro sú viditeľné a či je čas na plánovaný zásah.

Tieto znaky môžu zahŕňať hodnoty vibrácií, zvýšenie teploty, zmenu odberu prúdu, kolísanie tlaku, zhoršenie cyklového času alebo častejší výskyt určitého typu poruchy. Napríklad pri baliacom stroji môže nárast miery odpadu a spomalenie cyklového času naznačovať mechanické opotrebovanie. Pri čerpadle môžu vibrácie a teplota spoločne ukazovať na zhoršujúci sa stav ložiska.

To sa líši od opravnej údržby, kde sa zásah uskutočňuje po poruche, a od preventívnej údržby založenej na čase, kde sa súčiastky menia vopred určených intervaloch. Posledné je často odôvodnené, najmä pri bezpečnostne kritických alebo legislatívne regulovaných zariadeniach. Prediktívny prístup môže byť silný tam, kde je stav skutočne merateľný, výpadok je nákladný a načasovanie zásahu má obchodný význam.

Nie každé zariadenie potrebuje rovnaké riešenie

Najčastejšou chybou je, že spoločnosť chce okamžite merať všetky zariadenia, ktoré sa zdajú byť dôležité. To môže rýchlo viesť k drahému, zložitému a ťažko udržateľnému systému. Je vhodné najprv preskúmať, ktoré zariadenia spôsobujú najväčšie obchodné riziko pri výpadku.

Kritické zariadenie nemusí byť nevyhnutne najväčšie alebo najmodernejšie. Môže to byť starší kompresor bez zálohy, etiketovací stroj, bez ktorého sa nedá začať expedícia, alebo obrábacie centrum, ktoré predstavuje úzke hrdlo. Ak sa toto zariadenie zastaví, koľko výroby sa stratí? Aký je čas opravy? Je dostupná náhradná súčiastka? Existuje obchádzkový proces alebo čaká celá zmena?

Pri výbere záleží aj na spôsobe poruchy. Niektoré poruchy sa vyvíjajú postupne, a preto sú dobre predvídateľné. Iné sa stávajú náhle, v dôsledku vonkajšej udalosti, chyby operátora alebo materiálovej chyby. Nie je vhodné sľubovať predpovedný model, pre ktorý nie sú dostatočné predzvesti alebo zmysluplné údaje. V takom prípade môže byť lepšou ochranou spoľahlivé varovanie, náhradná súčiastka alebo premyslený núdzový postup.

História údržby je rovnako dôležitá ako senzor

Ak sú opravy zaznamenávané len vo voľných textových poznámkach, je ťažké zistiť, čo sa so strojom skutočne stalo. Záznam „ložisko opravené“ napríklad nehovorí, ktorá jednotka zlyhala, aké príznaky predchádzali výmene, ako dlho bol stroj odstavený a či sa problém vyriešil.

Na použiteľnú predikciu nie je potrebná dokonalá databáza od prvého dňa. Je však potrebná dôsledná identifikácia: o ktoré zariadenie ide, aký bol prejav poruchy, akú prácu vykonali, akú súčiastku použili a aký bol výpadok. Z týchto údajov sa časom môže vytvoriť vzor, ktorý dokáže interpretovať vedúci zmeny, údržbár a vedúci výroby.

Údaje majú hodnotu, keď z nich niekto môže rozhodnúť

Samotný dashboard neznižuje výpadky. Ak systém signalizuje abnormalitu, musí byť jasné, kto dostane upozornenie, aká hraničná hodnota sa považuje za urgentnú, kto schvaľuje zásah a ako to všetko zapadá do výrobného plánu.

Vezmime si jednoduchú situáciu. Systém signalizuje, že vibrácie motora sa už tri týždne postupne zvyšujú. Údržbársky tím o tom vie, ale výroba nechce zastaviť, takže úloha sa každý týždeň presúva na ďalší. Nakoniec sa motor pokazí v piatok popoludní, keď je obstarávanie súčiastok pomalšie a výpadok ovplyvňuje aj víkendové objednávky. Toto nie je chyba predpovede. Je to chyba rozhodovania a zodpovednosti.

Dobrý proces nemusí byť nevyhnutne zložitý. Upozornenie môže byť spojené s úrovňou rizika, kontrolnou úlohou, cieľovým časom a zdokumentovaným rozhodnutím. Pri nízkom riziku môže stačiť kontrola pri nasledujúcom plánovanom odstavení. Pri kritickom stave je však potrebné zosúladiť výrobný plán, potrebnú súčiastku a dostupnosť odborníka.

Tu sa stáva dôležitou integrácia systému. Ak sú údaje o stroji v priemyselnom monitorovacom systéme, údržbárske úlohy v inej aplikácii a zásoby súčiastok v ďalšej, ľudia opäť manuálne prenášajú informácie. Riziko oneskorenia a nedorozumenia sa vracia. Cieľom nie je vymeniť všetky systémy, ale zabezpečiť, aby sa kritické informácie dostali v správnom čase k správnej osobe.

Ako začať s prediktívnou údržbou?

Prvým krokom nie je nákup senzorov, ale krátke, vecné preskúmanie. Ktoré zariadenia spôsobili najviac neplánovaných výpadkov za posledných 12 mesiacov? Aké boli ich priame a nepriame náklady? Aké údaje o nich existujú? Ako sa dnes rozhoduje o abnormálnom stave?

Potom je vhodné určiť dobre ohraničený pilotný projekt. Skupina strojov, opakujúci sa spôsob poruchy alebo kritické úzke hrdlo stačí na to, aby sa spoločnosť naučila, aké údaje skutočne potrebuje. Úspech pilotného projektu sa neprejaví počtom vytvorených grafov, ale tým, či sa podarilo plánovane vykonať zásah, čím sa zabránilo alebo skrátilo odstavenie.

Nasledujúce štyri otázky musia mať jasnú odpoveď už od začiatku:

• Ktoré obchodné riziko chceme znížiť: výpadok, odpad, urgentnú opravu alebo neistotu zásob?
• Ktoré meracie údaje a histórie údržby podporujú toto rozhodnutie?
• Kto interpretuje upozornenie a v akom čase musí konať?
• Ako meriame, či zavedenie skutočne zlepšilo prevádzku?

Pri meraní nepozerajte len na počet porúch. Dôležitý môže byť aj neplánovaný čas odstavenia, priemerný čas opravy, podiel urgentných objednávok súčiastok, odpad a plánovateľnosť údržbárskych prác. Dobre fungujúci systém často nie je nápadnejší, ale predvídateľnejší: menej nočných volaní, menej mimoriadnych nákupov a výrobné plány sa menej často narušujú.

AI pomáha len vtedy, keď sú základy prevádzky v poriadku

Umelá inteligencia dokáže nájsť vzory vo veľkom množstve časových údajov, signalizovať abnormality alebo kategorizovať text údržbárskych záznamov. To môže byť užitočné, najmä pri zložitých strojových parkoch. Nenahrádza však znalosť strojov, disciplínu údržby a rozhodovací proces v prevádzke.

Ak poruchy nie sú dôsledne zaznamenávané, senzorové údaje sú neúplné alebo na upozornenia nie je reakcia, AI len rýchlejšie generuje neisté výsledky. Najprv je potrebné dať do poriadku proces: jednotná identifikácia zariadení, spoľahlivé zhromažďovanie údajov, plán údržby a jasné zodpovednosti. Na to je možné neskôr postaviť analýzu, ktorá skutočne podporuje rozhodovanie.

Hodnota prediktívnej údržby sa nakoniec nemeria tým, koľko údajov spoločnosť zhromažďuje, ale tým, či je schopná pokojne a plánovane konať pred ďalším kritickým výpadkom. Toto je bod, kde technológia neostáva samostatným projektom, ale stáva sa súčasťou spoľahlivejšej prevádzky.