Prognozuojamoji priežiūra
Prognozuojamoji priežiūra naudoja būklės duomenis ir prognozavimo modelius, kad dilimą ar gedimus pastebėtų dar prieš jiems įvykstant, todėl priežiūra atliekama būtent tada, kai jos reikia, o ne pagal fiksuotą grafiką ar po gedimo.
Prognozuojamoji priežiūra skiriasi nuo dviejų senesnių priežiūros strategijų. Reaktyvi priežiūra reiškia, kad remontas vyksta tik tada, kai mašina jau sugedo, o tai sukelia neplanuotas prastovas. Prevencinė priežiūra įrangą aptarnauja pagal fiksuotą grafiką, pavyzdžiui, kas 500 darbo valandų, nepriklausomai nuo jos faktinės būklės. Prognozuojamoji priežiūra vietoj to remiasi nuolat renkamais būklės duomenimis ir prognozavimo modeliais, kurie nustato tinkamą įsikišimo momentą. Rezultatas – priežiūra, kuri vyksta nei per anksti, nei per vėlai, o tiksliai tada, kai detalė iš tikrųjų pradeda dilti.
Techninis pagrindas – jutiklių rinkinys, nuolat sekantis tokius rodiklius kaip vibracija, temperatūra, garso emisijos ar alyvos kokybė mašinoje. Šie duomenys per daiktų interneto ryšius patenka į analizės sistemas, kurios pastebi nukrypimus nuo įprasto veikimo. Daugelis sistemų naudoja statistinius modelius arba mašininį mokymąsi, apmokytą su ankstesniais gedimų dėsningumais, kad prognozuotų tendencijas į priekį. Kai rodiklis peržengia kritinę ribą arba tendencija rodo artėjantį gedimą, sistema suformuoja priežiūros rekomendaciją, dažnai kartu su prognozuojama likusia eksploatavimo trukme iki tikėtino gedimo.
Nauda – daugiausia mažiau neplanuotų prastovų, ilgesnis įrangos tarnavimo laikas ir geresnis atsarginių dalių bei darbuotojų planavimas. Kartu prognozuojamoji priežiūra reikalauja pradinių pastangų: jutiklius reikia įrengti, duomenis rinkti, o modelius laikui bėgant kalibruoti. Paprastoms ar nekritinėms mašinoms šios pastangos dažnai neapsimoka, tuo tarpu brangiai, gamybai kritiškai svarbiai įrangai jos paprastai greitai atsiperka. Bet kurios prognozės tikslumas visiškai priklauso nuo pagrindinių duomenų kokybės ir kiekio.
Praktinis pavyzdys
Metalo apdirbimo įmonė, eksploatuojanti 12 CNC frezavimo staklių, savo trijų svarbiausių mašinų pagrindiniuose velenuose įrengia vibracijos jutiklius. Po šešių mėnesių duomenų rinkimo analizės sistema vienoje mašinoje pastebi didėjantį vibracijos dėsningumą, rodantį ankstyvą guolio gedimą, ir prognozuoja apie 18 likusių eksploatavimo dienų. Įmonė remontą suplanuoja mažo gamybos intensyvumo savaitgaliui ir iš anksto užsisako atsarginį guolį. Be šio ankstyvo įspėjimo velenas veikiausiai būtų sugedęs pamainos viduryje – tai būtų kainavę apie 2 dienas neplanuotos prastovos ir apie 14 000 eurų prarastos gamybos, kai vienos dienos produkcijos vertė siekia 7 000 eurų.
Kaip Leanshift padeda
Prognozuojamoji priežiūra dera su Kaizen mąstysena, nes sprendimus grindžia realia būkle, o ne prielaidomis, o būtent to ir reikalauja nuolatinis tobulėjimas: problemas padaryti matomas dar prieš joms virstant nuostoliais. Neplanuota prastova yra viena brangiausių švaistymo formų procese, o jos ankstyvas pastebėjimas atlaisvina laiko tikram tobulinimo darbui, o ne gaisrų gesinimui. Tai atitinka idėją tobulinti taip, kad atsirastų daugiau tobulintojų: stabili įranga komandoms suteikia erdvės sutelkti dėmesį į tobulėjimą, o ne nuolat taisyti tai, kas ką tik sugedo.
Daznai uzduodami klausimai
Kokio dydžio turi būti įmonė, kad prognozuojamoji priežiūra būtų prasminga?
Fiksuoto dydžio ribos nėra. Svarbu ne įmonės dydis, o tai, kiek brangiai kainuotų neplanuotas konkrečios mašinos gedimas. Net maža dirbtuvė su viena gamybai kritiškai svarbia mašina gali gauti naudos iš kelių jutiklių būtent ant to vieno įrenginio.
Ar tam reikia dirbtinio intelekto?
Ne, nebūtinai. Daugelis sistemų puikiai veikia su paprastomis ribomis ir statistine tendencijų analize. Mašininis mokymasis pagerina prognozės tikslumą sudėtingiems dilimo dėsningumams, tačiau pradžiai jo nereikia.
Kuo prognozuojamoji priežiūra skiriasi nuo būkle grįstos priežiūros?
Būklės stebėjimu grįsta priežiūra reaguoja į šiuo metu išmatuotą mašinos būklę. Prognozuojamoji priežiūra žengia žingsnį toliau ir šiais būklės duomenimis remiasi prognozuodama būsimą tendenciją ir tikėtiną gedimo momentą.