Prognozējošā apkope
Prognozējošā apkope izmanto stāvokļa datus un prognozēšanas modeļus, lai atklātu nolietojumu vai bojājumus, pirms tie notiek, tā lai apkope tiktu veikta tieši tad, kad tā nepieciešama, nevis pēc fiksēta grafika vai pēc bojājuma.
Prognozējošā apkope atšķiras no divām vecākām apkopes stratēģijām. Reaktīvā apkope nozīmē, ka remonts notiek tikai pēc tam, kad mašīna jau ir salūzusi, kas izraisa neplānotu dīkstāvi. Preventīvā apkope iekārtu apkopo pēc fiksēta grafika, teiksim, ik pēc 500 darba stundām, neatkarīgi no tās faktiskā stāvokļa. Prognozējošā apkope tā vietā balstās uz nepārtraukti savāktiem stāvokļa datiem un prognozēšanas modeļiem, kas nosaka pareizo iejaukšanās brīdi. Rezultāts ir apkope, kas notiek nedz par agru, nedz par vēlu, bet tieši tad, kad detaļa faktiski sāk nolietoties.
Tehniskais pamats ir sensoru kopums, kas nepārtraukti seko tādiem rādītājiem kā vibrācija, temperatūra, skaņas emisijas vai eļļas kvalitāte uz mašīnas. Šie dati caur IoT savienojumiem ieplūst analīzes sistēmās, kas atklāj novirzes no normālas darbības. Daudzas iekārtas izmanto statistiskus modeļus vai mašīnmācīšanos, kas apmācīta uz iepriekšējiem bojājumu modeļiem, lai projicētu tendences uz priekšu. Kad rādījums pārsniedz kritisku slieksni vai tendence norāda uz tuvojošos bojājumu, sistēma izraisa apkopes rekomendāciju, bieži ar lēstu atlikušo darbības laiku līdz iespējamajam bojājumam.
Ieguvums galvenokārt ir mazāk neplānotu apstāšanos, ilgāks iekārtu kalpošanas laiks un labāka rezerves daļu un personāla plānošana. Vienlaikus prognozējošā apkope prasa sākotnēju piepūli: sensori jāuzstāda papildus, dati jāsavāc, un modeļi laika gaitā jākalibrē. Vienkāršām vai nekritiskām mašīnām šī piepūle bieži neatmaksājas, savukārt dārgam, ražošanai kritiskam aprīkojumam tā mēdz atmaksāties ātri. Jebkuras prognozes precizitāte pilnībā ir atkarīga no pamatā esošo datu kvalitātes un apjoma.
Praktisks piemers
Metālapstrādes uzņēmums, kas darbina 12 CNC frēzmašīnas, savu trīs kritiskāko mašīnu galvenajiem vārpstas gultņiem uzstāda vibrācijas sensorus. Pēc sešiem mēnešu datu vākšanas analīzes sistēma vienā mašīnā pamana pieaugošu vibrācijas modeli, kas norāda uz agrīnu gultņa bojājumu, un prognozē aptuveni 18 atlikušās darbības dienas. Uzņēmums remontu ieplāno mazākas ražošanas nedēļas nogalē un rezerves gultni pasūta iepriekš. Bez šī agrīnā brīdinājuma vārpsta, visticamāk, būtu salūzusi maiņas vidū, izmaksājot aptuveni 2 dienas neplānotas dīkstāves un aptuveni 14 000 eiro zaudētas ražošanas pie 7000 eiro dienas produkcijas vērtības.
Ka Leanshift palīdz
Prognozējošā apkope iekļaujas Kaizen domāšanā, jo tā lēmumus balsta uz faktisko stāvokli, nevis pieņēmumiem, kas ir tieši tas, ko prasa nepārtraukta uzlabošana: padarīt problēmas redzamas, pirms tās pārtop zaudējumos. Neplānota dīkstāve ir viens no dārgākajiem zudumu veidiem procesā, un tās agrīna atklāšana atbrīvo laiku reālam uzlabošanas darbam, nevis ugunsdzēšanai. Tas saskan ar ideju uzlabot, lai radītu vairāk uzlabotāju: stabils aprīkojums dod komandām telpu fokusēties uz kļūšanu labākiem, nevis pastāvīgi remontēt to, kas tikko salūzis.
Bieži uzdotie jautajumi
Cik lielam jābūt uzņēmumam, lai prognozējošā apkope būtu vērtīga?
Fiksēta lieluma sliekšņa nav. Svarīgs ir tas, cik dārgs būtu konkrētās mašīnas neplānots bojājums, nevis uzņēmuma lielums. Pat mazai darbnīcai ar vienu ražošanai kritisku mašīnu var būt izdevīgi daži sensori tieši uz šīs vienas iekārtas.
Vai tam nepieciešams mākslīgais intelekts?
Nē, ne obligāti. Daudzas sistēmas labi darbojas ar vienkāršiem sliekšņiem un statistisku tendenču analīzi. Mašīnmācīšanās uzlabo prognožu precizitāti sarežģītiem nolietojuma modeļiem, taču tā nav obligāta, lai sāktu.
Kā prognozējošā apkope atšķiras no uz stāvokli balstītas apkopes?
Uz stāvokli balstīta apkope reaģē uz mašīnas pašreizējo izmērīto stāvokli. Prognozējošā apkope sper soli tālāk un izmanto šos stāvokļa datus, lai prognozētu turpmāko tendenci un iespējamo bojājuma brīdi.