Prediktivní údržba

Služby

Prediktivní údržba

Prediktivní údržba pomocí algoritmů pokročilé analytiky a strojového učení hledá vztahy a korelace mezi chováním stroje, jeho okolím, následnou poruchou či odstávkou s cílem určit optimální plán údržby.

Nástup digitálních technologií do výroby a fenomén Internet Of Things (IoT) posouvá hranice možného a dává specialistům údržby výzvu s názvem prediktivní údržba. Zkušenosti z našich projektů říkají, že prediktivní údržba dokáže zkrátit čas věnovaný plánování údržby o 20 až 50 procent, zvýšit efektivní využití strojů a zařízení o 10 až 20 procent, a snížit celkové náklady na údržbu o 5 až 10 procent.

Řešení

Prediktivní údržba znamená jednoduše to, že servisní odstávka nepřichází ani příliš pozdě (až když nastane porucha), ani příliš brzy (stroj je v pořádku a pro odstávku není důvod), ale v tom správném okamžiku (když riziko poruchy překročí akceptovatelný práh). Protože odstávka jednoho stroje má důsledky pro celou linku a výrobní řetězec, plánování servisu se optimalizuje s ohledem na celý výrobní proces, např. spojení několika odstávek do jednoho časového okna mimo špičku. Koncept prediktivní údržby je tu už dlouhá desetiletí, ale teprve nyní, kdy fyzický a digitální svět jsou propojeny ve funkční celek, se dá efektivně a levně realizovat.

80% snížení neplánovaných odstávek během prvních 3 měsíců provozu. Lis na plastové výrobky.

Výhody

  • včasné varování před blížící se poruchou,
  • zvýšení efektivního využití strojů a zařízení (snížení odstávek),
  • dostupnost 24/7,
  • lepší využití času na servis,
  • zajištěna dostupnost náhradních dílů,
  • méně práce s plánováním servisů a odstávek,
  • snížení celkových nákladů na údržbu.

Zavedení prediktivní údržby probíhá ve čtyřech základních etapách:

1. Generování a sběr dat

Fyzikální, topologická a operační data, data o poruchách a odstávkách, konstrukční data. Zdrojem dat jsou databáze, senzory, SCADA systémy a ERP systémy. Data je potřeba dát na jednu hromadu, vytřídit, propojit, vyčistit a připravit pro strojové učení.

 

2. Modelování a hledání závislostí

Pomocí algoritmů pokročilé analytiky a strojového učení hledáme vztahy a korelace mezi chováním stroje a jeho okolí a následnou poruchou či odstávkou. Hledáme časové souslednosti. Zkoumáme, pro které stroje lze použít stejný model a pro které je potřeba model jiný.


3. Zavedení do produkce

Na základě nalezených modelů a závislostí se sestrojí algoritmus určení optimálního plánu údržby, který se naprogramuje a zapojí do systému údržby. Vyhodnotí se zlepšení OEE a dalších KPI oproti předchozímu stavu.

 

4. Aktualizace modelu zpětnou vazbou z dat

Výrobní proces po zavedení prediktivní údržby stále generuje nová data a modely je vhodné pravidelně přetrénovat na nových datech a osvěžit jejich výkon. Proces plánování údržby tím nastavujeme na úroveň best in class.

Související články