Predictive Maintenance - dostęp do webinaru

Na początku każdy ma jakiś plan, do pierwszego ciosu – mawiał znakomity pięściarz Mike Tyson. Nieprzewidziana awaria maszyny często jest takim ciosem w procesie produkcyjnym powodując negatywne konsekwencje dla większości działów firmy. Planiści muszą zaktualizować plan, produkcja uruchomić nadgodziny, dział utrzymania ruchu jak najszybciej usunąć awarię, a PM-wie poinformować klientów o zmianie terminów realizacji zleceń. Taki scenariusz generuje duże koszty oraz dodatkowy stres więc zazwyczaj po takim wydarzeniu na spotkaniach menadżerskich pojawia się pytanie o to, jak uniknąć takich ciosów w przyszłości. Predictive maintenance (PdM) czyli predykcyjne utrzymanie ruchu może być skuteczną odpowiedzią.
Predykcyjne utrzymanie ruchu to coraz bardziej popularne podejście do utrzymania ruchu polegające na analizie danych pochodzących bezpośrednio z maszyn w celu przewidywania potencjalnych awarii i podjęcie działań serwisowych przed ich wystąpieniem. Jako element koncepcji Przemysłu 4.0 (Industry 4.0) może w znaczny sposób przyczynić się do obniżenia kosztów związanych bezpośrednio z serwisowaniem maszyn oraz dodatkowych kosztów wynikających z przestoju na produkcji. Predictive maintenance jest ciekawą alternatywą dla dotychczasowych strategii utrzymania ruchu czyli: preventive maintenance i reactive maintenance. W pierwszym podejściu przegląd i konserwacja odbywają się zgodnie z harmonogramem niezależnie od rzeczywistego stanu maszyny. Jest to stosunkowo bezpieczne rozwiązanie jednak niesie ze sobą także wysokie koszty. Druga koncepcja minimalizuje koszty samego utrzymania ruchu jednak niesie duże ryzyko dla terminowej realizacji produkcji oraz dodatkowe koszty spowodowane przestojem maszyny (kary umowne, strata materiału, koszty przestoju, nadgodziny). Dodatkowo, każda nieprzewidziana awaria może stanowić zdarzenie potencjalnie wypadkowe.

Przeczytaj także: Jak ograniczać przeszkody w zastosowaniu sztucznej inteligencji w produkcji? 

Predykcyjne utrzymanie ruchu wydaje się być optymalnym rozwiązaniem i rozsądnym kompromisem pomiędzy celami działów produkcji i utrzymania ruchu, a także niesie ze sobą dużo mniejsze ryzyko nieterminowej realizacji zleceń, co z punktu widzenia klienta jest kwestią kluczową.
Do głównych korzyści wynikających z predykcyjnego utrzymania ruchu należą:

• skrócenie czasu napraw i przeglądów
• zmniejszenie liczby niespodziewanych awarii
• ograniczenie kosztów magazynowania części zamiennych
• ograniczenie kosztów związanych z nieterminową realizacją zleceń (kary umowne)
• zmniejszenie czasu przestojów produkcyjnych
• ograniczenie kosztów związanych ze stratą materiału w wyniku awarii maszyny
• ograniczenie liczby nadgodzin spowodowanych awariami
• zmniejszenie liczby zdarzeń wypadkowych

Prewencyjne utrzymanie ruchu jako punkt wyjścia do predykcji

Duże koszty nieplanowanych przestojów produkcyjnych oraz rosnące wymagania dotyczące efektywności wykorzystania parku maszynowego (OEE) zaowocowało zmianą w podejściu do utrzymania ruchu nastawioną na zapobieganiu wystąpieniu awarii, a nie tylko szybkim jej usunięciu. Zgodnie z tą koncepcją zapobieganie występowaniu nieplanowanych przestojów związanych z awarią maszyny może być realizowane za pomocą różnego rodzaju działań, do których należą m.in.:

• okresowe przeglądy maszyn
• planowane cykliczne konserwacje i remonty
• regularna wymiana zużytych części
• badania i analiza przyczyn wystąpienia awarii

Powyższe działania choć skutecznie eliminują ryzyko wystąpienia nieprzewidzianych awarii generują także dodatkowe koszty związane zarówno z: utrzymaniem ruchu (działania serwisowe, magazynowanie części zamiennych) oraz z przestojami produkcyjnymi w związku z wyłączeniem maszyn na czas przeglądu i konserwacji. Są one mniejsze niż w przypadku działań reakcyjnych jednak nadal odgrywają istotną rolę. Istnieje także ryzyko, że część przeglądów oraz konserwacji jest robiona na wyrost niepotrzebnie generując dodatkowe koszty. W związku z tym strategia prewencyjnego utrzymania ruchu oprócz eksploatacji planowo-zapobiegawczej zaczęła także uwzględniać eksploatację na podstawie stanu technicznego maszyn (CBM) dając tym samym początek predykcji w ogólnym podejściu do utrzymania ruchu.

Przeczytaj także: Czym charakteryzuje się zaawansowany i elastyczny system produkcyjny?

Jak działa predictive maintenance?

Utrzymanie predykcyjne opiera się na analizie dużej ilości danych dostarczanych bezpośrednio z maszyn oraz z hali produkcyjnej, a następnie analizie tych danych i wychwycenie anomalii, które mogą świadczyć o ryzyku wystąpienia awarii. Mierzonymi parametrami mogą być np. temperatura, poziom wibracji, zużycie oleju, ciśnienie oraz wiele innych. Opomiarowanie parku maszynowego, gromadzenie dużej ilości danych i ich bieżąca analiza odbywa się dzięki wykorzystaniu szybko rozwijającej się dziedziny Internetu Rzeczy (IoT). Zastosowanie narzędzi IoT w przemyśle (Industry Internet of Things – IIoT) pozwala na monitorowanie procesu produkcji, pracy maszyn oraz warunków panujących na hali produkcyjnej w czasie rzeczywistym. Strumienie danych pochodzących z różnego rodzaju czujników gromadzone są w chmurze, a ich analiza za pomocą modułu Machine Learning (ML) umożliwia przewidywanie z dużą dokładnością ryzyko wystąpienia awarii. Dodatkowo na podstawie danych historycznych i bieżącej analizy występujących awarii można nieustannie usprawniać modele i przewidywać awarie z większą skutecznością oraz z uwzględnieniem zmiennych warunków występujących na hali.

Przeczytaj także: Jak zbierać dane z produkcji?

Utrzymanie predykcyjne w praktyce

W praktyce, aby skutecznie zarządzać działem utrzymania ruchu zgodnie z podejściem predykcyjnym niezbędny jest odpowiedni system informatyczny umożliwiający integrację nie tylko z ERP ale także ze wspomnianymi wyżej narzędziami IoT oraz modułami ML. Warto uwzględnić to przy wyborze odpowiedniego systemu klasy EAM czy CMMS, aby nie zamknąć sobie drogi do rozwoju predykcyjnego utrzymania ruchu. Pierwszym krokiem w celu wprowadzenia działań predykcyjnych w utrzymaniu ruchu jest opomiarowanie parku maszynowego. Odbywa się to za pomocą różnego rodzaju czujników. Dane z tych czujników są zbierane i przetwarzane za pomocą modułu IoT. Zebrane dane są wykorzystane do tworzenia modeli, dzięki którym tworzone są prognozy dotyczące możliwości wystąpienia awarii. Na rynku dostępne są różne modele uczenia maszynowego (ML), a do najczęściej stosowanych należą: regresja, klasyfikacja, wykrywanie anomalii i analiza przetrwania. W praktyce najlepszą skuteczność przewidywania osiąga się przy użyciu kilku modeli jednocześnie. Dzięki integracji z systemami klasy EAM i CMMS wyniki powyższych analiz są w czasie rzeczywistym przetwarzane na zgłoszenia serwisowe dzięki czemu cały proces jest w dużej części zautomatyzowany. Dodatkowo dane dotyczące pracy maszyn mogą być w czasie rzeczywistym dostępne za pomocą dashboard-u wszystkim zainteresowanym użytkownikom. Dane historyczne o występujących w przeszłości awariach są przechowywane w bazie danych, a każda pojawiająca się awaria dostarcza nowych danych i skuteczność przewidywania następnych awarii zwiększa się wraz z czasem użytkowania.

Przeczytaj także: Rola oprogramowania ERP w zarządzaniu łańcuchem dostaw

Dlaczego Predictive Maintenance jest ważne?

Stabilność procesu produkcyjnego i efektywność wykorzystania parku maszynowego to wartości nie do przecenienia. Zakłócenia są nieodzownym elementem produkcji niezależnie od branży. Okres pandemii pokazał dobitnie, że pomimo zaawansowanej technologii są pewne czynniki, których nie jesteśmy w stanie przewidzieć. Awarie maszyn do tej grupy z pewnością nie należą. Szybki rozwój technologii pomiarowej znacząco obniżył koszty opomiarowania procesu produkcyjnego, a rozwój systemów IT w dziedzinie gromadzenia i analizy dużej ilości danych otwiera nowe możliwości w podejściu do zarządzania produkcją. Z coraz większą precyzją możemy wsłuchać się w głos procesu i reagować wtedy, kiedy to naprawdę konieczne. Każdy planowany lub nieplanowany przegląd czy naprawa maszyny to zakłócenie procesu produkcji, które generuje dodatkowe koszty. Ograniczenie tych zakłóceń do niezbędnego minimum może znacząco przyczynić się do zwiększenia przewagi konkurencyjnej firm produkcyjnych. Przemysł 4.0 to nowa rzeczywistość wymagająca nowego podejścia i nowych rozwiązań. Predykcyjne utrzymanie ruchu może stać się skuteczną odpowiedzią na nowe wyzwania i wiele wskazuje na to, że w nieodległej przyszłości stanie się standardem w podejściu do utrzymania ruchu.
Jeżeli chcesz ograniczyć nieprzewidziane awarie maszyn oraz koszty utrzymania ruchu w swojej firmie możesz zgłosić się do naszego eksperta.

Przeczytaj także: Zwiększanie możliwości systemu zarządzania produkcją w środowisku Low-Code / No-Code

Pozostałe nasze artykuły:

Internet of things (IoT) czym jest internet rzeczy w przemyśle?

Dziesięć mitów o harmonogramowaniu przy ograniczonych zasobach

Systemy Business Intelligence, czyli rafinerie na miarę XXI wieku

ERP i CRM. Co to jest? Jakie są kluczowe różnice i korzyści?