Jak internet věcí pomáhá udržovat vysokou míru spolehlivosti zařízení?
Data získaná v rámci provádění prediktivní údržby mění způsob fungování podniků.
Průmyslový internet věcí (IIoT) už dávno není jen módní výraz; je plně aktivní a přináší celou řadu výhod v mnoha různých průmyslových odvětvích. Nikde jinde nejsou tyto výhody natolik zřetelné jako v oblasti údržby strojů a zařízení. Kdysi byl kladen velký důraz na preventivní formu údržby, v rámci které byly naplánovány pravidelné kontroly zařízení. Pokročilé analytické nástroje a zejména strojové učení tento koncept zcela mění a z oddělení údržby zařízení v podniku se najednou stává skutečný tvůrce hodnot.
Proč se za tím skrývá taková schopnost a vliv? Když totiž některé zařízení začíná selhávat nebo dojde k jeho úplnému kolapsu, může se stát, že i docela nevýznamná porucha může v konečném důsledku způsobit neplánovanou odstávku celé linky, bloku nebo i podniku. Finanční ztráty z takových neplánovaných odstávek celých provozů se sčítají a za celý rok se může jednat o obrovské sumy. Preventivní forma údržby, i když je důležitá, bohužel není schopna přesně předvídat budoucnost, takže občas dochází k neočekávaným poruchám zařízení bez ohledu na to, jak stabilně funguje plánovaná údržba v daném podniku.
Podle závěrů plynoucích ze studie provedené společností ARC Advisory Group nelze pomocí tradičních přístupů k údržbě detekovat nebo zabránit výskytu 82 % všech poruch. Studie společnosti Boeing navíc zjistila, že 85% zařízení náhodně selhalo, a to bez ohledu na to, do jaké míry bylo toto zařízení zkontrolováno či opraveno. Tradiční formou údržby se nepodaří dosáhnout toho, pro co jsou technologie IIoT, jako je strojové učení, připraveny: vytvořit zcela spolehlivé podnikové prostředí a svět, v němž nedochází k poruchám.
Proč představuje prediktivní údržba budoucnost?
Na rozdíl od preventivní údržby dokáže prediktivní údržba založená na strojovém učení rozpoznat degradační vzorce a předpovídat hrozící poruchy. Díky těmto informacím je prodlužována provozuschopnost zařízení, jsou omezovány prostoje a je dosahováno nejplodnějších vylepšení ve smyslu celkové účinnosti zařízení (OEE), což zaručuje výrobcům nejvyšší celoživotní návratnost vynaložených investic. Zprůmyslněné strojové učení poskytuje v reálném čase pohled na zdravotní stav podnikových aktiv a určuje, která aktiva jsou vystavena riziku selhání nebo degradace.
Prediktivní analytika a software pro strojové učení toho dosahují pomocí digitálních softwarových agentů (programů), které pracují v nepřetržitém režimu. Rozlišují mezi normálním a neobvyklým stavem a chováním zařízení či procesu prostřednictvím rozpoznávání komplexních datových vzorců, jež odhalují přesné signály degradace a selhávání.
Úkoly, které digitální agenty vykonávají, jsou dvojího typu. Jeden typ funguje jako detektor anomálií a odchylek od jinak normálního chování. Druhý detekuje skutečné vzorce poruch a identifikuje chování, které má za následek specifické poruchy. Při detekci neobvyklého chování nebo vzorců poruch vysílají agenty podporující strojové učení upozornění nejen týdny, ale někdy i měsíce před samotnou poruchou a předepisují konkrétní nápravná opatření.
Výsledek je ten, že díky jejich činnosti jsme schopni se vyhnout prostojům ve výrobě, opravovat malé závady, které by mohly způsobit větší problémy, snižovat náklady na prostoje a poskytovat operátorům a personálu údržby důvěru v předpovědi selhání, což jim dává čas na odstranění základních příčin vzniku poruch zařízení. Takový automatizovaný přístup, který vkládá a abstrahuje podrobnosti technik strojového učení, je výrazně účinnější a přesnější než jiné systémy, které v současné době existují v rámci údržby zařízení. Je však zapotřebí podotknout, že samotné strojové učení váš podnik nespasí. Velmi záleží na tom, jak je strojové učení používáno a aplikováno v praxi, je totiž jen na vás, zda podpoříte anebo úplně zrušíte jakékoli iniciativy digitální transformace v rámci údržby vašich zařízení.
Ve společnosti Saras (evropská naftová rafinérie) předpovídaly analytické nástroje využívající strojové učení závadu na zařízení již 45 dní před blížící se poruchou. Další společnost, výrobce polymerů Borealis, byla upozorňována prostřednictvím pokročilého systému varování již čtyři týdny na to, že hrozí poškození kompresoru; společnost praktikuje prediktivní formu údržby. U obou podniků přišlo varování se značným náskokem před potenciálními závažnými poruchami a následnými neplánovanými prostoji, což poskytlo dostatek času na to, aby se těmto problémům zabránilo nebo aby bylo možné bezpečně naplánovat opravu selhávajících zařízení.
Největší přidaná hodnota takovýchto pokročilých varování spočívá v tom, že průmyslové společnosti působící v podnikových prostředích již nejsou oběťmi značných výrobních ztrát, což může, jak již bylo uvedeno, vést ke ztrátě nemalých finančních prostředků. Společnosti Saras i Borealis jsou příkladem toho, jak IIoT funguje v praxi a kde mohou včasná varování zajistit, že nedojde k výskytu neplánovaných prostojů, pokud provozovatelé a odborníci na údržbu náležitě reagují na výstrahy a předepsaná opatření.
Zajištění takové míry spolehlivosti v podnikových prostředích minimalizuje ztráty na výnosech a umožňuje držitelům zařízení provozovat stroje na hranici jejich výkonu. Díky tomu roste ziskovost bez zvýšeného rizika poruchy zařízení. Prediktivní údržba je vynikající forma údržby, která společnostem pomáhá dosahovat vytyčeného zisku.
Aby to celé fungovalo
Nebude zrovna lehké spolknout tuto hořkou pilulku: pokud selhalo 50 % nebo více všech projektů na skladování dat, historie se může opakovat i v případě IIoT projektů. Z jakého důvodu? Mnoho společností se pustí do iniciativy digitální transformace s velkým nadšením pro tuto technologii, ale technologie sama o sobě nestačí, aby to celé fungovalo. Platforma po objednání do podniku dorazí, avšak nikdo neví, co s ní bude dělat.
Jediná věc, která když chybí a kvůli které nedosáhnete technologického úspěchu, je nepřítomnost jasného podnikatelského cíle, což představuje palčivý problém vyžadující řešení. Aby byly podniky ve svém úsilí o transformaci úspěšné, musejí nejprve zjistit, co chtějí vyřešit, než začnou v rámci svých provozních činností aplikovat technologii. Dejte si pozor, abyste se jen bezhlavě nenadchli pro novou technologii, jako je strojové učení, a nakonec si vůbec nevěděli rady, jak ji využít ve váš podnikatelský prospěch.
Pouze v případě, že organizace identifikuje klíčovou výzvu, může pokračovat v určování vhodného produktu, který bude rychle a nejvhodnějším způsobem řešit problém, analyzovat data a automatizovat potřebné činnosti. Pokud jde o údržbu, mnoho moderních nástrojů nabízí pomoc, ale jestliže hlavní problém ve vašem podnikání tkví v odstraňování poruch zařízení, jsou pro vás ideální prediktivní autonomní řešení, jež jsou škálovatelná a podporovatelná díky míře spolehlivosti provozování zařízení, kterou nabízejí organizacím. Nejlepší využití průmyslových dat však není o jednoduché rovnici se snadno dosažitelným výsledkem. Poté, co je jasně specifikován problém vyžadující řešení, se musí organizace sama sebe zeptat, jaká data vlastně potřebuje, jaké jsou požadavky na rychlost přenosu dat, jak budou data shromažďována a ověřována, a rovněž musí být stanoveno, které nepřesnosti nebo falešné signály musejí být odstraněny.
Kromě specifikování konkrétního případu používání IIoT v rámci údržby je zapotřebí, aby vlastní podniková kultura co nejaktivněji posouvala iniciativy spjaté s IIoT směrem kupředu.
Změna a prolomení stávajícího způsobu smýšlení a chování, kdy si každé oddělení hraje na svém písečku (zejména údržbářské a výrobní), povzbudí samostatné týmy, aby spolupracovaly a zaměřily se na jeden velký společný cíl = dosažení provozní dokonalosti. Nasazení za společně sdílené cíle povede k dosahování lepších obchodních výsledků, včetně toho, že nebude docházet k poruchám strojů, prodlouží se doba jejich provozování, zvýší se objem výroby a klesnou náklady na údržbu. Další velkou iniciativou v rámci podniku je identifikace a delegování pracovníků v zaměstnanecké základně, kteří budou prosazovat potřebné změny. Jedná se o osobu či osoby, které řídí a vše podřizují systému prediktivní údržby. Jakým způsobem může takový člověk získat zájem pracovníků napříč celým podnikem o zavedení prediktivní formy údržby? Jak může získávat různé týmy, aby pochopily přidanou hodnotu nových technologií IIoT? To jsou otázky, za něž zodpovídají pracovníci prosazující změny.
Chcete-li provádět údržbu svých zařízení skutečně tím „správným způsobem“ a opravdu najít její skrytou hodnotu, musíte se vypořádat s řadou faktorů. Zčásti je vyžadována toužebná víra v nové, datově řízené technologie IIoT. Dále se musí zapojit celý podnik do procesu implementace požadovaných technologií. Teprve tehdy, až se tyto dvě důležité věci spojí dohromady, se podniky ocitnou na správné cestě vedoucí k digitální transformaci údržby svých zařízení
Mike Brooks zastává funkci výkonného ředitele se zaměřením na provozní vlastnosti podnikových aktiv ve společnosti AspenTech.
