Предиктивное обслуживание с IoT и ИИ в промышленности

Неожиданная поломка на производственной линии — одно из самых дорогих событий, которое может случиться на заводе: оно останавливает производство, резко повышает затраты и иногда тянет за собой другие проблемы. Предиктивное обслуживание стремится не допустить этого: предупредить поломку до того, как она произойдёт. Это руководство объясняет, как этого добиться с помощью IoT и ИИ.

Три типа обслуживания

Чтобы понять предиктивное обслуживание, стоит его сравнить. Реактивное обслуживание чинит станок, когда он уже сломался (самое дорогое: останавливаешься без предупреждения). Профилактическое проводит осмотры через определённые промежутки, сломался станок или нет (лучше, но тратишь на обслуживание, которое порой было не нужно). Предиктивное идёт на шаг дальше: следит за реальным состоянием станка и действует ровно перед тем, как тот выйдет из строя.

Что такое предиктивное обслуживание

Предиктивное обслуживание использует реальные данные станка (вибрация, температура, потребление, шум) для обнаружения ранних признаков износа и предсказания момента поломки, чтобы вы могли вмешаться в оптимальный момент: ни слишком рано (лишние расходы), ни слишком поздно (поломка). Это обслуживание по реальному состоянию, а не по календарю.

Как это работает: IoT + ИИ

Рецепт сочетает две технологии. IoT собирает данные станка в реальном времени с помощью датчиков (вибрация, температура и т. д.). ИИ и machine learning изучают, как ведёт себя станок в исправном состоянии, и обнаруживают аномалии, предшествующие поломке, предсказывая, когда вмешаться. Чем больше исторических данных, тем точнее прогноз.

Преимущества

• Меньше незапланированных простоев (самых дорогих).
• Меньше затрат на ненужное обслуживание.
• Больший срок службы станков.
• Больше безопасности: предотвращаются катастрофические отказы.
• Лучшее планирование: вмешательство происходит, когда это удобно производству.

Что нужно, чтобы начать

Предиктивное обслуживание требует данных: датчиков на критических станках (многие уже идут с ними) и системы, которая их собирает и анализирует. Не нужно начинать со всего завода: эффективнее выбрать самые критические или чаще всего ломающиеся станки, оснастить их датчиками, собрать данные и обучить модели. Первый успешный случай оправдывает распространение на остальные.

ROI предиктивного обслуживания

Отдача обычно быстрая и измеримая: один предотвращённый незапланированный простой на критической линии может окупить проект. К этому добавляется экономия на обслуживании, которое больше не делается "на всякий случай", больший срок службы станков и сокращение запаса срочных запчастей. Поэтому предиктивное обслуживание — одна из инвестиций Индустрии 4.0 с самой ясной отдачей, которую легко обосновать перед руководством.

Распространённые ошибки

Типичные промахи: желание оснастить датчиками всё сразу вместо того, чтобы начать с критических станков, сбор данных без чёткой цели или ожидание идеальных прогнозов с первого дня (модели улучшаются со временем и с данными). Предиктивное обслуживание — это путь, который проходят поэтапно, а не выключатель, который включают.

В AxiomTech мы внедряем предиктивное обслуживание с IoT и ИИ — датчики, сбор данных и модели, предупреждающие поломки — интегрированное с вашей работой, чтобы ваши станки останавливались, когда решаете вы, а не когда они ломаются.

Практический пример: завод по розливу

Завод по розливу с тремя производственными линиями оснастил двигатели запайки датчиками вибрации и температуры. В течение первых восьми недель система обнаружила аномальную вибрационную сигнатуру на одном из двигателей. Проверка подтвердила износ подшипника до возникновения отказа. Стоимость запланированного вмешательства составила 800 евро. Предотвращённый внеплановый останов означал бы около четырёх часов простоя линии и более 12 000 евро потерянной продукции, не считая повреждённой детали и штрафа за задержку поставки. Один единственный случай окупил весь проект.

Контрольный список для начала работы

• Определите две-три наиболее критичные машины: те, которые останавливают линию, или те, которые чаще всего выходят из строя.
• Проверьте, какие датчики уже установлены, перед тем как покупать новые.
• Определите, что вы хотите прогнозировать: полный отказ, постепенную деградацию или плановое обслуживание.
• Предусмотрите период сбора данных не менее четырёх-шести недель перед обучением моделей.
• Установите разумный порог оповещения, чтобы избежать ложных тревог, утомляющих команду.
• Фиксируйте результат каждого вмешательства для совершенствования модели со временем.

Часто задаваемые вопросы

Нужно ли заменять старые машины? Нет. Большинство проектов прогностического обслуживания добавляют внешние датчики к существующему оборудованию; замена парка машин не требуется.

Как скоро появятся результаты? Первые полезные паттерны обычно возникают через шесть-десять недель после начала нормального сбора данных. Модели непрерывно совершенствуются по мере накопления большей истории.

Что если у нас лишь несколько машин? Прогностическое обслуживание масштабируется вниз так же хорошо, как и вверх. Компания с четырьмя-пятью критическими машинами может обосновать проект, если стоимость внепланового останова значительна.