Prediktívna údržba
Prediktívna údržba využíva údaje o stave a predpovedné modely na zachytenie opotrebovania alebo porúch skôr, než nastanú, takže sa údržba vykonáva presne vtedy, keď je potrebná, namiesto podľa pevného plánu alebo po poruche.
Prediktívna údržba sa odlišuje od dvoch starších stratégií údržby. Reaktívna údržba znamená, že k opravám dochádza až po poruche stroja, čo spôsobuje neplánované výpadky. Preventívna údržba servisuje zariadenie podľa pevného harmonogramu, napríklad každých 500 prevádzkových hodín, bez ohľadu na jeho skutočný stav. Prediktívna údržba namiesto toho stavia na priebežne zbieraných údajoch o stave a predpovedných modeloch, ktoré určujú správny okamih na zásah. Výsledkom je údržba, ktorá neprebieha ani príliš skoro, ani príliš neskoro, ale presne vtedy, keď diel skutočne začína opotrebovávať.
Technickým základom je súbor senzorov, ktoré priebežne sledujú hodnoty ako vibrácie, teplotu, akustické emisie alebo kvalitu oleja na stroji. Tieto údaje prúdia cez pripojenia IoT do analytických systémov, ktoré odhaľujú odchýlky od normálnej prevádzky. Mnohé riešenia používajú štatistické modely alebo strojové učenie natrénované na minulých vzoroch porúch, aby premietli trendy do budúcnosti. Keď hodnota prekročí kritickú hranicu alebo trend poukazuje na blížiacu sa poruchu, systém spustí odporúčanie na údržbu, často spolu s odhadom zostávajúcej prevádzkyschopnosti pred pravdepodobnou poruchou.
Prínosom je predovšetkým menej neplánovaných zastavení, dlhšia životnosť zariadenia a lepšie plánovanie náhradných dielov a personálu. Zároveň si prediktívna údržba vyžaduje počiatočné úsilie: treba dodatočne osadiť senzory, zbierať údaje a časom kalibrovať modely. Pri jednoduchých alebo nekritických strojoch sa toto úsilie často neoplatí, zatiaľ čo pri drahom, pre výrobu kritickom zariadení sa zvyčajne rýchlo vráti. Presnosť akejkoľvek predpovede úplne závisí od kvality a objemu podkladových údajov.
Praktický príklad
Prevádzka na spracovanie kovov s 12 CNC frézami dodatočne osadí vibračné senzory na hlavné vretená svojich troch najkritickejších strojov. Po šiestich mesiacoch zberu údajov analytický systém odhalí na jednom stroji rastúci vibračný vzor, ktorý poukazuje na blížiacu sa poruchu ložiska, a vypočíta odhadovaných 18 dní zostávajúcej prevádzkyschopnosti. Prevádzka naplánuje opravu na víkend s nižšou výrobou a vopred objedná náhradné ložisko. Bez tohto včasného varovania by vreteno pravdepodobne zlyhalo v priebehu zmeny, čo by spôsobilo odhadom 2 dni neplánovaného výpadku a približne 14 000 eur straty z výroby pri dennej hodnote výroby 7 000 eur.
Ako pomáha Leanshift
Prediktívna údržba zapadá do myslenia Kaizen, pretože rozhodnutia stavia na skutočnom stave, nie na domnienkach, čo je presne to, čo si priebežné zlepšovanie vyžaduje: zviditeľniť problémy skôr, než sa zmenia na straty. Neplánované výpadky sú jednou z najnákladnejších foriem plytvania v procese, a ich včasné zachytenie uvoľňuje čas na skutočnú zlepšovaciu prácu namiesto hasenia požiarov. To zodpovedá myšlienke zlepšovať, aby vznikalo viac tých, ktorí zlepšujú: stabilné zariadenie dáva tímom priestor sústrediť sa na zlepšovanie namiesto neustálej opravy toho, čo sa práve pokazilo.
Často kladené otázky
Aká veľká musí byť firma, aby sa jej prediktívna údržba oplatila?
Neexistuje pevná hranica veľkosti. Dôležité je, aké nákladné by bolo neplánované zlyhanie daného konkrétneho stroja, nie veľkosť firmy. Aj malá prevádzka s jedným pre výrobu kritickým strojom môže profitovať z hŕstky senzorov práve na tomto jednom zariadení.
Potrebujete na to umelú inteligenciu?
Nie, nie nevyhnutne. Mnohé systémy fungujú dobre aj s jednoduchými prahovými hodnotami a štatistickou analýzou trendov. Strojové učenie zlepšuje presnosť predpovede pri zložitých vzoroch opotrebovania, no na začiatok nie je nutné.
Čím sa prediktívna údržba líši od údržby na základe stavu?
Údržba na základe stavu reaguje na aktuálne nameraný stav stroja. Prediktívna údržba ide o krok ďalej a tieto údaje o stave využíva na predpoveď budúceho trendu a pravdepodobného okamihu poruchy.