Prediktivno održavanje uz IoT i AI u industriji

Neočekivani kvar na proizvodnoj liniji je jedna od najskupljih stvari koje mogu da zadese fabriku: zaustavlja proizvodnju, povećava troškove i ponekad povlači druge probleme. Prediktivno održavanje teži tome da se to ne dogodi: anticipirati kvar pre nego što se desi. Ovaj vodič objašnjava kako se to postiže uz IoT i AI.

Tri tipa održavanja

Da bismo razumeli prediktivno održavanje, vredi ga uporediti. Reaktivno održavanje popravlja mašinu kada se već pokvarila (najskuplje: zaustavljanje bez najave). Preventivno radi preglede u određenim intervalima, bez obzira na to da li je došlo do kvara (bolje, ali trošite na održavanje koje ponekad nije bilo potrebno). Prediktivno ide korak dalje: prati stvarno stanje mašine i deluje upravo pre nego što otkaže.

Šta je prediktivno održavanje

Prediktivno održavanje koristi stvarne podatke sa mašine (vibracije, temperatura, potrošnja, buka) da otkrije rane znake propadanja i predvidi kada će otkazati, tako da možete da intervenišete u optimalnom trenutku: ni prerano (nepotreban trošak) ni prekasno (kvar). To je održavanje zasnovano na stvarnom stanju, a ne na kalendaru.

Kako funkcioniše: IoT + AI

Recept kombinuje dve tehnologije. IoT prikuplja podatke sa mašine u realnom vremenu pomoću senzora (vibracije, temperatura itd.). AI i machine learning uče kako se mašina ponaša kada je ispravna i otkrivaju anomalije koje prethode kvaru, predviđajući kada treba intervenisati. Što više istorijskih podataka ima, predviđanje je preciznije.

Prednosti

• Manje neplaniranih zastoja (najskupljih).
• Manje troškova na nepotrebno održavanje.
• Duži radni vek mašina.
• Veća bezbednost: izbegavaju se katastrofalni kvarovi.
• Bolje planiranje: intervencija se obavlja kada to proizvodnji odgovara.

Šta vam treba da biste počeli

Prediktivno održavanje zahteva podatke: senzore na kritičnim mašinama (mnoge ih već imaju) i sistem koji ih prikuplja i analizira. Nije potrebno početi sa celim pogonom: efikasno je izabrati najkritičnije mašine ili one koje najčešće otkazuju, opremiti ih, prikupljati podatke i obučavati modele. Prvi uspešan slučaj opravdava širenje na ostatak.

ROI prediktivnog održavanja

Povraćaj je obično brz i merljiv: jedan jedini izbegnut neplanirani zastoj na kritičnoj liniji može da isplati projekat. Tome se pridodaju ušteda na održavanju koje više ne radite „za svaki slučaj“, duži radni vek mašina i smanjenje zaliha hitnih rezervnih delova. Zato je prediktivno održavanje jedna od investicija Industrije 4.0 sa najjasnijim povraćajem koji je lako opravdati pred upravom.

Česte greške

Tipične greške: želja da se sve opremi odjednom umesto da se počne od kritičnih mašina, prikupljanje podataka bez jasnog cilja, ili očekivanje savršenih predviđanja od prvog dana (modeli se poboljšavaju vremenom i podacima). Prediktivno održavanje je put koji se prelazi u fazama, a ne prekidač koji se uključi.

U AxiomTech-u uvodimo prediktivno održavanje uz IoT i AI — senzore, prikupljanje podataka i modele koji anticipiraju kvarove — integrisano sa vašim radom kako bi vaše mašine stajale kada vi odlučite, a ne kada se pokvare.

Radni primer: postrojenje za punjenje

Postrojenje za punjenje sa tri proizvodne linije opremilo je svoje motore za zaptivanje senzorima vibracija i temperature. U prvih osam nedelja, sistem je detektovao anomalani vibracioni potpis na jednom motoru. Inspekcija je potvrdila habanje ležaja pre nego što je došlo do kvara. Cena planirane intervencije bila je 800 EUR. Izbegnuti neplanirani zastoj bi značio otprilike četiri sata zastoja linije i više od 12.000 EUR izgublje produkcije, ne računajući oštećeni deo ili penale za isporuku. Jedan jedini događaj isplatio je ceo projekat.

Lista provere za početak

• Identifikujte dve ili tri najkritičnije mašine: one koje zaustavljaju liniju ili one koje najčešće kvare.
• Proverite koji senzori su već instalirani pre kupovine bilo čega novog.
• Definišite šta želite da predvidite: totalni kvar, postepenu degradaciju ili planirano održavanje.
• Omogućite period prikupljanja podataka od najmanje četiri do šest nedelja pre treniranja modela.
• Postavite razuman prag upozorenja kako biste izbegli lažne alarme koji umaraju vaš tim.
• Beležite ishod svake intervencije radi poboljšanja modela tokom vremena.

Česta pitanja

Da li moramo da zamenimo stare mašine? Ne. Većina projekata prediktivnog održavanja dodaje spoljašnje senzore na postojeću opremu; nema potrebe za zamenom voznog parka mašina.

Koliko dugo pre nego što počne davati rezultate? Prvi korisni obrasci obično se pojavljuju šest do deset nedelja nakon što počnete normalno prikupljati podatke. Modeli se kontinuirano poboljšavaju kako akumuliraju više istorije.

Šta ako imamo samo nekoliko mašina? Prediktivno održavanje skalira prema dole jednako dobro kao i prema gore. Kompanija sa četiri ili pet kritičnih mašina može opravdati projekat ako je cena neplanirane obustave značajna.