Predykcja w utrzymaniu ruchu i konserwacji maszyn

Dane pozyskiwane i gromadzone w zakładach przemysłowych, choć w dużej mierze niewykorzystywane, są potężnym narzędziem, dzięki któremu kierownicy obiektów mogą wdrażać w swoich zakładach wysoce efektywne reżimy prac konserwacyjnych, od pojedynczej maszyny aż po cały obiekt.
Od kierowników obiektów przemysłowych stale wymaga się ulepszania procesów konserwacji i utrzymania ruchu w zakładach i środowiskach pracy. Według ostatniego raportu McKinseya na temat analityki big data1 procesy produkcyjne generują więcej danych niż jakiekolwiek inne źródło.
Gdy dane traktowane są strategicznie jako główny filar programu działań konserwacyjnych i serwisowych, kierownicy obiektów mogą zrealizować tzw. konserwację prewencyjną – technikę polegającą na prowadzeniu serwisu i konserwacji zależnie od bieżących potrzeb, na podstawie ustalanych w czasie rzeczywistym korelacji między informacjami pochodzącymi z różnych urządzeń i maszyn. Koncepcja taka przyczynia się do minimalizacji przestojów, zwiększenia produktywności oraz eliminowania strat czasu i zasobów na prowadzenie zbędnych napraw.
Większość zakładów produkcyjnych ma szansę radykalnie poprawić swoje wyniki finansowe przez wdrożenie predykcji w utrzymaniu ruchu – zamiast klasycznego podejścia reaktywnego – co pozwoli obniżyć całkowity koszt utrzymania urządzeń przez cały okres ich eksploatacji. Ułatwi to realizację modelu finansowego CapEx/OpEx (nakłady inwestycyjne/koszty utrzymania), optymalizację zużycia energii, skrócenie przestojów urządzeń itd.
Konkurencyjność konserwacji prewencyjnej
Obiekty, w których panuje dawno przyjęta, a nawet przestarzała, praktyka konserwacji, często niepotrzebnie ponoszą straty z powodu przestojów w pracy oraz marnotrawienia energii i kapitału ludzkiego. W podejściu tradycyjnym konserwację rutynową prowadzi się według harmonogramu, co oznacza, że operatorzy niejednokrotnie trwonią czas i zasoby, czasami poddając konserwacji sprzęt, który nie wymaga jakichkolwiek zabiegów, albo wycofują urządzenia, które jeszcze nadają się do eksploatacji. W podejściu tradycyjnym często dochodzi do przeoczenia oznak zbliżającej się niesprawności maszyny, jeśli jej konserwacja akurat nie była planowana.
Z kolei obiekty, w których wdrożono koncepcję predykcji w utrzymaniu ruchu i konserwacji maszyn, prowadzą działania konserwacyjne maszyn i urządzeń stosownie do potrzeb, czyli częściej lub rzadziej, niż wynikałoby to z programu rutynowej konserwacji planowej. Wykorzystując infrastrukturę urządzeń połączonych i włączonych do sieci – generującą dane, które opisują parametry eksploatacyjne, takie jak zużycie energii, temperatura, szybkość produkcji oraz jej wielkość – operatorzy i kierownicy zakładów mogą stwierdzić, które urządzenia działają optymalnie, a które wkrótce zawiodą. Operatorzy i kierownicy mogą wtedy podejmować kompetentne i ukierunkowane decyzje co do terminu prac konserwacyjnych, wyłączenia maszyny z linii czy dopuszczenia urządzenia do dalszej pracy w bieżącym stanie.
W podejściu predykcyjnym, prognostycznym kierownicy obiektów mogą zapobiec „praktycznym przestojom”, kiedy to urządzenie pracuje poniżej swoich możliwości, ale jego wydajność pozostaje w granicach normalnej zmienności eksploatacyjnej. Dla przykładu przyjrzyjmy się urządzeniu, które wytwarza baterie w oszałamiającym tempie, wyrzucając z siebie kolejne sztuki z szybkością przekraczającą ludzką percepcję. Trzy maszyny może cechować zmienność wynosząca 1015%, co oznacza spadek wydajności poniżej normalnego zakresu eksploatacyjnego. Gdyby jednak stale obserwowane były dodatkowe dane, takie jak zużycie energii, czas pracy i temperatura, operator mógłby poprawić wydajność maszyny o 10% i uzyskać znaczne oszczędności.
Dane – fundament konserwacji prewencyjnej
Sieci przemysłowe, sterowniki i podłączane do nich urządzenia oraz zbieranie, monitorowanie i analiza danych, tzw. big data, stanowią fundament programu predykcyjnego utrzymania ruchu. Ta infrastruktura transmisji i akwizycji danych oraz analityki opartej na danych procesowych i eksploatacyjnych określana jest coraz częściej mianem Internetu Rzeczy (ang. Internet of Things, IoT). Według definicji Gartnera2 jest to sieć obiektów fizycznych, w których osadzono technologię do komunikacji oraz odbierania bodźców lub interakcji z otoczeniem albo w odniesieniu do ich stanów wewnętrznych. Infrastruktura IoT monitoruje wyposażenie w całym zakładzie. Dysponując tak uzyskanymi informacjami i danymi, kierownicy zakładów i operatorzy mogą przejść na model konserwacji prewencyjnej.
W systemachkonserwacji z elementami predykcji, wykorzystując różnorodne dane, m.in. czas pracy urządzeń, ich temperaturę, zużycie energii czy wydajność, można usprawnić podejmowanie decyzji i przebieg prac. Na przykład pewne urządzenie w wytwórni artykułów szybko zbywalnych dla gospodarstw domowych zawsze utrzymuje stałą wydajność produkcji ręczników papierowych, ale na krótko przed awarią zaczyna zużywać dużo więcej energii. Monitorując dane jej zużycia generowane przez maszynę, operatorzy mogą podjąć interwencję, gdy tylko konsumpcja energii zaczyna szybko rosnąć, ale jeszcze zanim maszyna się zepsuje. W przypadku konserwacji rutynowej maszyna byłaby wyłączana z ruchu, co skutkowałoby nieplanowanymi przerwami w jej cyklu produkcyjnym. Dzięki wykorzystaniubieżących danych o stanie pracy maszyny oraz danych historycznych, z informacją o parametrach i stanach pracy, które wcześniej doprowadziły do niesprawności, operatorzy mogą ograniczyć występowanie niekorzystnych warunków i zaburzeń w funkcjonowaniu zakładu w szerszej gamie urządzeń lub całych procesów produkcyjnych.
Od danych do konserwacji prewencyjnej
Wdrażanie koncepcji predykcyjnego utrzymania ruchu ma charakter iteracyjny i wieloaspektowy. Oto trzy główne kroki, jakie należy podjąć, przystępując do jej wdrażania w zakładzie.
Zmiana priorytetów zakupowych. Do prowadzenia konserwacji prognostycznej z wykorzystaniem danych, analityki big data oraz IoT niezbędny jest sprzęt zdolny generować dane eksploatacyjne. Urządzenia przemysłowe podłączane do sieci stają się normą, ale procesy zakupowe należy przestawić tak, aby nabywanie maszyn, które można podłączyć do sieci, miało pierwszeństwo przed nabywaniem sprzętu starszego typu. Zmiana ta może nieść ze sobą trudności organizacyjne, ponieważ starsze urządzenie bez funkcji sieciowych może oznaczać niższe koszty początkowe w porównaniu z inteligentną maszyną sieciową. Jednak dodatkowy koszt maszyny z interfejsem sieciowym może się zwrócić, gdy dzięki wykorzystaniu danych, jakich ona dostarcza, uda się uniknąć choćby jednej awarii i towarzyszącego jej przestoju w produkcji. Decyzje zakupowe należy podejmować na podstawie całkowitego kosztu eksploatacji, a nie tylko początkowych nakładów inwestycyjnych (CapEx).
Wykorzystanie wiedzy ekspertów
w dziedzinie danych. Gdy urządzenia połączone w sieć dokonują pomiarów i monitorują parametry, kierownicy obiektów, chcąc upewnić się, że optymalnie zbierają i wykorzystują dane, mogą nawiązać współpracę z ekspertami w dziedzinie akwizycji i obróbki danych. Owi specjaliści mogą usprawnić operowanie danymi, prowadząc oceny na miejscu bądź zdalnie, w środowisku wirtualnym. Dane zbierane przez sprzęt sieciowy można umieszczać w chmurze i monitorować wirtualnie z zastosowaniem modelu opartego na usługach. Wirtualne przechowywanie danych sprawia, że eksperci mają do nich swobodny dostęp, mogą je analizować i dzięki temu służyć pomocą i poradami w zakresie wdrażania i prowadzenia działań serwisowych i konserwacji w oparciu o predykcję. To wirtualne partnerstwo na zasadzie usługi może przyspieszyć wdrożenie programów konserwacji prewencyjnej w obiekcie.
Dostarczanie właściwych danych odpowiednim osobom. Aspektem kluczowym do osiągnięcia skuteczności predykcyjnego utrzymania ruchu z wykorzystaniem analityki opartej na danych, jest ich dostarczanie do całej struktury organizacyjnej zakładu, tak aby miały maksymalny wpływ na proces decyzyjny. Dane nie mogą zalegać na jakimś poziomie organizacyjnym, ale muszą być dostarczane do hali fabrycznej, gdzie operatorzy maszyn będą mogli z nich korzystać. Aby dane były rozsyłane po całej organizacji i docierały aż do hali fabrycznej, kierownicy obiektów powinni się starać, aby wszędzie przenikały one bez przeszkód, na wzór dostarczanych do smartfonów powiadomień w trybie push. Na przykład w przemyśle wydobywczym, mineralnym imetalurgicznym głównym czynnikiem we wdrażaniu konserwacji prognostycznej są warunki pogodowe. Jeśli istnieje infrastruktura zbierania danych oraz system służący optymalnej dystrybucji danych, kierownik obiektu może ostrzegać załogę i operatorów w całej kopalni, że nadciąga burza, dzięki czemu poszczególne osoby nie muszą same sprawdzać prognoz pogody. Inteligentne infrastruktury danych mogą podawać, któremu urządzeniu taka pogoda może najbardziej zaszkodzić, jaki jest bieżący stan parametrów pracy tego urządzenia oraz jakie konkretnie zabiegi konserwacyjne należy podjąć, zanim pogoda się zepsuje. W każdej branży kierownicy obiektów powinni zapewnić, aby dane docierały na teren robót czy do konkretnej hali fabrycznej, tak aby ludzie mogli na ich podstawie podejmować działania. Nie zawsze chodzi o to, aby wzywać konserwatora. Rzecz w tym, aby poszczególnych operatorów urządzeń wyposażyć w dane i informacje, które będą im potrzebne do prowadzenia konserwacji prewencyjnej, a w rezultacie do optymalizacji efektywności pracy.
Podsumowanie
Kompleksowy program konserwacji prewencyjnej może przynieść znaczne korzyści operacyjne. Kierownicy zakładów i obiektów, którzy skutecznie wdrażają mechanizmy predykcyjnego utrzymania ruchu, mogą osiągnąć znaczną przewagę operacyjną i zająć pozycje liderów w swojej dziedzinie. Gdy sprzęt obiektu zostanie włączony do sieci, zainteresowani w całym obiekcie będą musieli ufać rozpoznaniu uzyskanemu na podstawie danych. Nieoczekiwane rozpoznanie może podważyć założenia dotyczące optymalnych parametrów produkcyjnych, takich jak pory dnia, efektywność operatorów zmian itp. Niemniej głównym warunkiem osiągnięcia pełni korzyści z wdrażania koncepcji konserwacji prewencyjnej, opartej na danych i ich analizie, jest podejmowanie działań na podstawie rozpoznania.

Autor: Andy Roxburgh jest wiceprezesem ds. systemów i usług w dziale działalności przemysłowej w firmie Schneider Electric.