Jedną z najnowszych koncepcji procesów utrzymania ruchu jest predictive maintenance, czyli predykcyjne utrzymanie ruchu. Coraz częściej zastępuje ona koncepcję reaktywną i tradycyjne podejście prewencyjne. W założeniu predykcyjne utrzymanie ruchu polega na dopasowaniu prowadzonych działań do indywidualnych i aktualnych potrzeb danej maszyny. W praktyce idea ta opiera się na wypracowaniu wiarygodnej oceny kondycji maszyn poprzez gromadzenie danych historycznych i kluczowych informacji bieżących.
W każdej metodzie utrzymania ruchu chodzi przede wszystkim o to, aby ochronić organizację przed kosztami przestoju. Metoda predykcyjna ma dodatkowo zapobiegać ponoszeniu wydatków na niepotrzebne działania serwisowe. Sednem tej idei jest systematyczne gromadzenie informacji o stanie maszyny oraz wypracowanie trafnej metody oceny jej kondycji. Dobrze przeprowadzone predykcyjne utrzymanie ruchu pozwala z dużym prawdopodobieństwem przewidzieć, a tym samym zapobiec awarii maszyny.
Narzędzia predykcyjnego utrzymania ruchu
Zgodnie z praktyką, koszty usunięcia skutków awarii są zwykle co najmniej kilkukrotnie wyższe od nakładów poniesionych na zapobieganie jej wystąpieniu. Skoro w tej metodzie najważniejsze jest dokonanie oceny bieżącej kondycji maszyny, konieczne jest sprecyzowanie narzędzi niezbędnych do osiągnięcia tego celu. Zazwyczaj są to:
– Obserwacje pracowników, bazujące na ich doświadczeniu i wiedzy. To operatorzy maszyn, pracujący na nich na co dzień są w pierwszej kolejności w stanie rozpoznać niepokojące sygnały świadczące o możliwości uszkodzenia urządzenia. Oceny dokonują na podstawie tego, co widzą, słyszą lub czują (np. zapach spalenizny itp.).
– Przeprowadzanie testów za pomocą zewnętrznej aparatury. W tym narzędziu chodzi np. o mierzenie wibracji, obrazowanie termiczne czy ocenę jakości płynów smarnych.
– Monitorowanie za pośrednictwem czujników, inaczej mówiąc zautomatyzowane gromadzenie i analizowanie danych zebranych przez czujniki i moduły kontrolno-pomiarowe.
– Korzystanie z systemów informatycznych wspierających dział UR, takich jak MES czy CMMS. Współpraca z tego typu oprogramowaniem pozwala na dostęp do danych dotyczących ilości przepracowanych roboczogodzin przez określony podzespół.
Istnieje kilka kluczowych elementów konserwacji predykcyjnej, przy czym technologia i oprogramowanie są jednymi z najbardziej istotnych. W organizacjach opartych na nowych technologiach wykorzystuje się do tego celu Internet rzeczy (IoT), sztuczną inteligencję i zintegrowane systemy pozwalające różnym zasobom i systemom łączyć się, współpracować, udostępniać, analizować i reagować na dane.
IoT w służbie konserwacji predykcyjnej
IoT – Internet of Things (internet rzeczy) jest wykorzystywany w konserwacji predykcyjnej do monitorowania stanu maszyn i urządzeń, a następnie bieżące przesyłanie danych diagnostycznych do systemów informatycznych wspierających utrzymanie ruchu. Są to m.in. inteligentne czujniki, termostaty czy kamery monitoringu wizyjnego. Umożliwiają automatyzację procesów związanych ze sprawdzaniem sprzętu. Dzięki nim możliwe jest osiągnięcie sporych oszczędności, zarówno wynikających z czasu pracy pracowników jak i finansowych. W praktyce często strategia predykcyjnego utrzymania ruchu sięga po zestawy algorytmów, które niemal nie wymagają interwencji człowieka. Maszyna jest stale monitorowana (system CBM) za pośrednictwem IoT, który prowadzi obserwację wstępnie zdefiniowanych parametrów sprzętu. Ich przekroczenie może wskazywać na awarię. Systemy CBM oceniają m.in. wibrację sprzętu, skoki temperatury, poziom smarowania i jakość olejów smarnych a także napięcie i prąd silnika.
IoT coraz mocniej zaznacza swoją obecność na liniach produkcyjnych, na co wpływ ma m.in. coraz mniejsza cena i coraz większa niezawodność czujników i pozostałego oprzyrządowania. Bez wątpienia dla UR bardzo korzystna jest automatyzacja procesu gromadzenia, analizowania i filtrowania i przesyłania danych do oprogramowania dostępnego za pomocą urządzeń stacjonarnych lub – coraz częściej – w chmurze. Oprogramowanie tego typu może przechowywać dane i przeprowadzać analizy, które wskażą trendy dla danej maszyny i zidentyfikują miejsca potencjalnych problemów. Kolejnym krokiem jest zbudowanie na podstawie przeprowadzonej analizy modelu awarii pozwalającego na wykrycie odchyleń od linii bazowych, które można skonfigurować na bazie znanych kombinacji wartości parametrów oznaczających awarię. Można też zdefiniować reguły w jakich powstają awarie i stworzyć model na bazie analizy danych. W sukurs pracownikom utrzymania ruchu w tworzeniu właściwych algorytmów i wzorców danych przychodzą nauka o danych i uczenie maszynowe.
