Predykcyjne utrzymanie ruchu (Predicitve Maintenance) w przemyśle

24.05.2024 How to Informacje produktowe

Albert Duszak

Jak AI może zmniejszyć koszty konserwacji i zwiększyć kontrolę nad parkiem maszynowym?

Stare powiedzenie mówiące, że lepiej zapobiegać niż leczyć, ma swoje zastosowanie także w świecie przemysłu. Zwłaszcza jeśli to przemysł 4.0 i mamy do czynienia np. z liniami produkcyjnymi, w przypadku których każda godzina awarii generuje wielocyfrowe koszty i paraliżuje cały zakład.

Stąd idea predykcyjnego utrzymania ruchu, czyli PdM Predictive Maintenance. W niniejszym artykule pokażę m.in.:

czym dokładnie jest,
jak wdrożyć ją w praktyce,
jakie zalety i wady niesie ze sobą dla przedsiębiorstwa.

Utrzymanie ruchu i 4 podejścia do niego

Istnieją 4 strategie w utrzymaniu ruchu służące temu, by przeciwdziałać awariom:

Reaktywna
Naprawiamy maszynę dopiero wtedy, kiedy dojdzie do awarii.
Prewencyjna
Prowadzimy planowane działania konserwacyjne według określonego harmonogramu.
Oparta o monitorowanie stanu maszyny
W tym wypadku decyzja o konserwacji jest podejmowania na podstawie aktualnego stanu technicznego urządzenia w oparciu o dane dostarczone z zastosowanego systemu monitorowania maszyny w czasie rzeczywistym.
Predykcyjna
W tej strategii planujemy konserwacje na podstawie przewidywanego stanu technicznego maszyny. W tym ostatnim, najbardziej zaawansowanym scenariuszu wykorzystuje się zaawansowane algorytmy analizy danych w czasie rzeczywistym i uczenia maszynowego. Pozwalają one sztucznej inteligencji z dużą dokładnością przewidzieć potencjalne awarie i dać sygnał o konieczności konserwacji.

Warto pamiętać, że głównym celem monitorowania stanu jest ciągłe monitorowanie parametrów pracy maszyn i urządzeń w czasie rzeczywistym (np. poprzez ustawienie progów alarmowych) w celu wykrywania ewentualnych usterek, anomalii lub zmian w ich funkcjonowaniu.

W Predictive Maintenance, natomiast głównym celem jest przewidywanie momentu, kiedy maszyny lub urządzenia będą wymagały konserwacji, naprawy lub wymiany na podstawie zaawansowanej analizy danych dotyczących ich stanu oraz przewidywanych wzorców awarii.
Predictive Maintenance znajduje zastosowanie przede wszystkim w następujących sytuacjach:

Konserwacja maszyn, których przeglądy okresowe są sporym kosztem, a potencjalna awaria może być bardzo problematyczna. Tu potrzebny jest ciągły monitoring tej maszyny.
Konserwacja maszyn krytycznych dla procesu produkcyjnego. Naprawa powoduje przestój całej produkcji, co wiąże się to z stratami finansowymi spowodowanymi przestojem całej produkcji. 
Kontrola nad silnikami elektrycznymi, które znajdują się w trudno dostępnych i niebezpiecznych miejscach.

Systemy Predykcyjnego Utrzymania ruchu do analizy mogą wykorzystywać dane z pomiaru m.in. takich parametrów jak: stanu oleju, temperatury, wibracji, dźwięku.

Korzyści z predykcyjnego utrzymania ruchu

Doświadczenia firmy Advantech pokazują, że wdrożenie Predykcyjnego Utrzymania Ruchu w zakładzie może przynieść następujące korzyści, aż o:

25% mniejsze koszty utrzymania,
70% niższe ryzyko awarii,
35% mniej przestojów,
20% dłuższy czas działania urządzeń bez konserwacji.

Jak widać PdM pomaga zapobiegać wystąpieniu awarii i może w dłuższej perspektywie przynieść duże oszczędności. Mamy tu do czynienia z efektem domina, bo jeden element jakim jest predykcyjne utrzymanie ruchu wpływa pozytywnie na całą serię zdarzeń:

Ewentualne awarie zostaną z dużym prawdopodobieństwem przewidziane na podstawie danych analizowanych w czasie rzeczywistym przez sztuczną inteligencję.
Utrzymanie ciągłości produkcji i rzadsze przestoje pozwolą firmie pracować wydajniej, z zachowaniem założonej efektywności.
Predykcyjne utrzymanie ruchu doprowadzi do obniżenia kosztów konserwacji (pamiętajmy, że samo magazynowanie części zamiennych to już istotny koszt). Będzie ona konieczna wtedy, kiedy wskażą na to dane dotyczące zużycia maszyn.
Dzięki przewidywaniu awarii wzrośnie bezpieczeństwo całego parku maszynowego, a także osób pracujących w zakładzie produkcyjnym.
Finalnie konserwacja zapobiegawcza pozwoli obniżyć koszty nie tylko samego utrzymania ruchu i eksploatacji maszyn, ale i całej firmy.

LoRaWAN, czujnik wibracji i brama bezprzewodowa - gotowe rozwiązania monitorowania stanu maszyn

Utrzymanie predykcyjne wymaga nie tylko odpowiednich algorytmów analizy danych, ale też rozmieszczenia opomiarowania i dostarczenia danych do systemu. Do tego może posłużyć LoRaWAN – standard energooszczędnej komunikacji bezprzewodowej.

Co to jest LoRaWAN?

LoRa to jedna z technologii o niskiej mocy działających poniżej 1 GHz. Jej główne cechy to:

Duży zasięg (5 ~ 15 km)
Możliwość połączenia urządzeń w odległości od 2 do 5 km w regionach miejskich lub do 15 km w obszarach podmiejskich w celu tworzenia rozległej sieci.

Niskie zużycie energii
Protokół zaprojektowany specjalnie do minimalizacji zużycia energii, co wydłuża żywotność baterii przez lata.

Wysokie bezpieczeństwo
Zastosowanie wbudowanego szyfrowania od końca do końca AES128.

Niski koszt
Redukcja kosztów w trzech obszarach:

inwestycje w infrastrukturę,
wydatki operacyjne,
koszty sensorów końcowych.

Więcej o bezprzewodowym systemie do pomiaru wibracji LoRaWAN 

Poświęciliśmy temu zagadnieniu oddzielny artykuł. Znajdziesz w nim m.in.:

opis i topologię bezprzewodowego systemu pomiaru drgań w oparciu o czujnik wibracji LoRaWAN WISE-2410 i bramę LoRaWAN WISE-6610,
opis wdrożenia rozwiązania, 
opis platformy do wizualizacji danych, 
informacje o tym, jak rozwinąć ten system.

LoRaWAN w połączeniu z czujnikiem, bramą dostępu i systemem monitorowania to idealna baza do tego by wykorzystać takie mechanizmy, jak analiza danych, machine learning, sztuczna inteligencja do predykcji stanu maszyn zgodnie z założeniami Predykcyjnego Utrzymania Ruchu (PdM).

Predictive Health Monitoring (PHM) Advantech

Przykładem wspomnianego narzędzia może być system PHM Advantech. System PHM wykorzystuje dane zebrane z maszyn za pomocą bezprzewodowych czujników WISE-2410, które monitorują wibracje i temperaturę. Te dane są przesyłane do serwera, gdzie są analizowane przez zaawansowane modele sztucznej inteligencji. Dzięki temu system może wykrywać potencjalne awarie nawet do 7 dni wcześniej, co pozwala na wczesne wykrywanie ryzyka uszkodzenia maszyn. Kolejną funkcją systemu jest automatyczna bieżąca ocena stanu technicznego maszyn w czasie rzeczywistym, która znacznie ułatwia monitorowanie stanu wielu maszyn w czasie rzeczywistym. Wyniki analizy są wizualizowane na ekranie, co umożliwia proste monitorowanie i podejmowanie odpowiednich działań konserwacyjnych.

PHM dostępny jest zarówno w wersji chmurowej jak i lokalnej do zainstalowania na prywatnym serwerze, co zapewnia elastyczność we wdrażaniu i utrzymaniu systemu. jest dostosowany do monitorowania typów maszyn wirujących zgodnie z normą ISO 10816. W aktualnej wersji algorytm AI jest w stanie dokonywać oceny stanu technicznego oraz predykcji tego stanu na silnikach stałoobrotowych. Dlatego system PHM doskonale sprawdzi się na takich urządzeniach jak: silniki, wentylatory, sprężarki, pompy oraz odciągi.

Zastosowanie systemu PHM umożliwia pełną kontrolę nad parkiem maszynowym, zapewniając jednocześnie centralny punkt dostępu monitoringu maszyn. Otwarta architektura API umożliwia łatwą integrację z istniejącymi systemami zarządzania, co ułatwia wdrażanie nowych technologii. System PHM od Advantech to kompleksowe rozwiązanie, które dzięki zaawansowanej analizie danych i sztucznej inteligencji umożliwia skuteczne zarządzanie konserwacją maszyn, zwiększając efektywność operacyjną i redukując koszty związane z ich utrzymaniem.

3 wady predykcyjnego utrzymania ruchu

Jak w przypadku każdej technologii, tak i monitoring stanu maszyn ma swoje ograniczenia (wspominaliśmy o nich na początku artykułu) oraz wady.

Zacznijmy od kosztów związanych z tym, że każdą z maszyn, której stan techniczny chcemy monitorować musimy oczujnikować oraz postawić serwer, który dane z wszystkich maszyn będzie zbierał, analizował i udostępniał. 

Druga kwestia to złożoność technologii. Wdrożenie systemu często wymaga integracji różnych już istniejących technologii i przekwalifikowanie personelu na pracę w nowym schemacie. Te zmiany mogą, choć są opłacalne w przyszłości, to "tu i teraz" mogą być problematyczne dla organizacji.  

Ostatnia kwestia to ryzyko nadmiernego polegania na technologii. To, że system przewiduję ocenę stanu technicznego maszyny nie oznacza, że jest nieomylny. Zawsze istnieje ryzyko, że specjalista zajmujący się utrzymaniem ruchu będzie skupiał się tylko na danych predykcyjnych, zignoruje inne, bardzo ważne oznaki problemów z maszyną i dojdzie do awarii.  

Czy PdM to przyszłość utrzymania ruchu?

Rozwój sztucznej inteligencji nie omija także przemysłu. Jednocześnie na rynku (nie tylko polskim) brakuje specjalistów. Konkluzja jest prosta - ktoś, lub coś musi odpowiadać za utrzymanie ruchu w fabryce i robić to coraz lepiej, chroniąc przedsiębiorstwo przed ryzykiem awarii.

Dalsza automatyzacja utrzymania ruchu i konserwacji urządzeń jest więc nieunikniona. Będzie się to działo właśnie przy wykorzystaniu mechanizmów sztucznej inteligencji.

Artykuł zaczęliśmy od przypomnienia starego powiedzenia o tym, że lepiej zapobiegać niż leczyć. Zakończmy go inną prawdą, o której trzeba pamiętać w świecie przemysłu: na rynku wygrywa ten, kto wcześniej wdroży bardziej opłacalne technologie.

Podsumowanie - dlaczego warto inwestować w systemy monitorowania stanu maszyn już teraz?

W nawiązaniu do poprzednich akapitów należy stwierdzić, że PdM nie tylko ma więcej zalet niż wad, ale ma wręcz kluczowe znaczenie dla przyszłości utrzymania ruchu. Dzięki wykorzystaniu sztucznej inteligencji do przetwarzania zebranych danych możemy przewidzieć i zapobiec wystąpieniu awarii. Wykrywanie zagrożeń daje korzyści na wielu polach, od bezpieczeństwa pracowników, po dłuższe życie maszyn, na obniżeniu kosztów konserwacji i napraw skończywszy.

Jeśli zastanawiasz się, czy wdrożenie predykcyjnego utrzymania ruchu ma sens w przypadku procesów produkcyjnych w Twoim zakładzie w pracy, porozmawiajmy o tym.

Wspólnie przeanalizujemy: