Egy ipari gép ritkán úgy hibásodik meg, hogy előtte semmilyen változás nem történik a működésében. Bizonyos meghibásodásokat fokozódó rezgés, emelkedő hőmérséklet, szokatlan áramfelvétel vagy romló teljesítmény előzhet meg. Ezek a jelek azonban gyakran túl aprók, túl lassan alakulnak ki, vagy túl sok mérési adat között rejtőznek ahhoz, hogy a kezelők időben felismerjék őket.
A prediktív karbantartás IoT segítségével arra épül, hogy a berendezések állapotáról folyamatosan vagy rendszeres időközönként adatokat gyűjtünk, majd ezekből a meghibásodásra utaló mintázatokat keressük. A cél a váratlan leállások kockázatának csökkentése és a karbantartási beavatkozások megfelelő időzítése. A módszer azonban nem jelent automatikus hibamegelőzést. Egy előrejelzés csak akkor hasznos, ha megfelelő adatokra épül, időben érkezik, és a vállalat képes intézkedni az eredmény alapján. A valódi üzleti érték tehát nem abban rejlik, hogy egy géphez szenzort csatlakoztatunk. Hanem abban, hogy a műszaki állapotváltozást megalapozott karbantartási döntéssé alakítjuk.
Mit jelent a prediktív karbantartás, és miben különbözik a hagyományos módszerektől?
A prediktív karbantartás, angolul predictive maintenance vagy PdM, olyan karbantartási megközelítés, amely állapotadatok és elemzési módszerek alapján igyekszik előre jelezni egy berendezés várható meghibásodását vagy romló működési állapotát. A hagyományos karbantartási stratégiák más logikát követnek. A reaktív karbantartás esetében a vállalat a hiba bekövetkezése után avatkozik be. Ez egyszerű és bizonyos, kevésbé kritikus eszközöknél gazdaságos megoldás lehet, de fontos termelőberendezéseknél jelentős, nem tervezett állásidőt okozhat.
A tervszerű megelőző karbantartás előre meghatározott időközökhöz vagy használati mennyiséghez igazodik. Például egy alkatrészt adott üzemóra után ellenőriznek vagy cserélnek, függetlenül annak tényleges állapotától. Az állapotalapú karbantartás már a berendezés mért állapotát veszi figyelembe. Ha például a rezgésszint átlép egy meghatározott határértéket, ellenőrzést rendelhetnek el. A prediktív megközelítés ennél továbbmegy: a várható állapotromlást próbálja előre jelezni, és becslést adhat arra, hogy mikor válhat szükségessé a beavatkozás.
Az állapotalapú és a prediktív karbantartás közötti különbség
A két fogalmat gyakran felcserélve használják, pedig érdemes megkülönböztetni őket. Tegyük fel, hogy egy villanymotor rezgése fokozatosan emelkedik. Egy állapotalapú rendszer akkor jelezhet, amikor a rezgés meghaladja az előre beállított küszöbértéket. Egy prediktív rendszer ezzel szemben megvizsgálhatja a rezgés időbeli változását, a terhelést, a fordulatszámot és a korábbi hibákhoz kapcsolódó mintázatokat. Ezek alapján jelezheti, hogy a gép állapota a megszokottnál gyorsabban romlik. Ez nem feltétlenül jelent pontos meghibásodási dátumot. Sok esetben már az is hasznos előrejelzés, ha a rendszer azonosítja a növekvő hibakockázatot, és megfelelő időt biztosít az ellenőrzésre.
Miért kapcsolódik szorosan a prediktív karbantartás az IoT-hoz?
A prediktív karbantartás nem kizárólag IoT-technológiával valósítható meg. Korábban is léteztek állapotdiagnosztikai módszerek, például rendszeres rezgésmérések, termográfiai vizsgálatok és olajelemzések. Az IoT szerepe abban áll, hogy lehetővé teszi a különböző berendezések állapotadatainak automatizált gyűjtését és központi feldolgozását. Az ipari IoT alkalmazásai között a gépfelügyelet és az állapotfigyelés azért kap jelentős szerepet, mert a mért adatokból következtetni lehet a működés változásaira.
Egy IoT-alapú karbantartási rendszerben az érzékelők adatokat küldenek a feldolgozó infrastruktúrának. A rendszer ellenőrzi és tárolja a mérési értékeket, majd szabályokkal, statisztikai módszerekkel vagy gépi tanulási modellekkel elemzi őket. Az eredmények egy kezelőfelületen jelenhetnek meg, vagy automatikus értesítést indíthatnak a karbantartási csapat felé. A teljes folyamat kialakításához fontos megérteni az IoT-rendszer felépítését, mivel az érzékelők, a kommunikáció, az adattárolás és az alkalmazási logika megbízhatósága egyaránt befolyásolja az előrejelzés használhatóságát.
Milyen szenzoradatok jelezhetnek közelgő meghibásodást?
Nem létezik olyan mérési jellemző, amely minden berendezésnél egyformán alkalmas a hibák előrejelzésére. A megfelelő szenzor kiválasztása attól függ, hogy milyen gépet vizsgálunk, milyen meghibásodási módok fordulhatnak elő, és milyen fizikai változások előzik meg ezeket.
Rezgésmérés: csapágyak és forgó berendezések állapotának követése
Forgó gépeknél a rezgésmérés az egyik leggyakrabban alkalmazott állapotdiagnosztikai módszer. Egy motor, ventilátor, szivattyú vagy hajtómű rezgésének változása utalhat például kiegyensúlyozatlanságra, tengelybeállítási problémára, csapágyhibára vagy mechanikai lazulásra. A diagnosztikai érték nem kizárólag a rezgés teljes nagyságában rejlik. A rezgésjel frekvencia-összetevőinek elemzése bizonyos hibák jellegére is utalhat. Egyes csapágyhibák például jellegzetes frekvenciakomponenseket hozhatnak létre, amelyek megfelelő mérési feltételek mellett felismerhetők. A mintavételezés megválasztása meghatározó. Egy ritkán küldött, egyszerű rezgésátlag nem feltétlenül tartalmaz elegendő információt a részletes csapágy-diagnosztikához. Ezért a mérési rendszer tervezésekor tisztázni kell, hogy általános állapotfelügyeletet vagy konkrét hibamódok felismerését szeretnénk megvalósítani.
Hőmérsékletmérés: túlmelegedés és romló működési feltételek
A hőmérsékletváltozás számos berendezésnél utalhat rendellenes működésre. Egy motor túlmelegedésének hátterében állhat túlterhelés, nem megfelelő hűtés, elektromos probléma vagy mechanikai súrlódás. A hőmérséklet azonban erősen függhet a környezeti feltételektől és az aktuális terheléstől. Egy magasabb mérési érték önmagában nem feltétlenül jelent hibát. Az elemzésnél ezért gyakran célszerű figyelembe venni a környezeti hőmérsékletet, az üzemállapotot és a korábbi működési tartományokat.
Áramfelvétel és energiafogyasztás
Az elektromos berendezések áramfelvétele szintén hordozhat információt a működési állapotról. Bizonyos mechanikai vagy elektromos problémák megváltoztathatják az áramfelvétel jellegét, a teljesítményigényt vagy a terheléshez viszonyított energiafogyasztást. Az ilyen adatok különösen akkor hasznosak, ha a vállalat már rendelkezik megfelelő fogyasztásmérőkkel vagy ipari vezérlőkkel. Az elemzéshez azonban ismerni kell a normál működési körülményeket. Egy nagyobb áramfelvétel lehet teljesen indokolt, ha a berendezés éppen magasabb terheléssel működik.
Nyomás, áramlás és egyéb technológiai paraméterek
Szivattyúknál, kompresszoroknál és folyadékkezelő rendszereknél a nyomás és az áramlás változása is jelezhet problémát. Egy csökkenő szállítási teljesítmény vagy megváltozó nyomásviszony utalhat eltömődésre, szivárgásra, kopásra vagy más működési eltérésre. Az olaj állapotát, a páratartalmat, a zajt vagy más fizikai jellemzőket mérő érzékelők szintén bevonhatók a vizsgálatba, ha az adott hibamód szempontjából relevánsak. A szenzorok számánál fontosabb a diagnosztikai értékük. Egy megfelelően kiválasztott mérési pont gyakran többet ér, mint több olyan érzékelő, amelynek adatai nem kapcsolódnak a vizsgált meghibásodási folyamatokhoz.
Hogyan lesz a mérési adatokból meghibásodási előrejelzés?
Az adatgyűjtés önmagában még nem prediktív karbantartás. Ahhoz, hogy egy rendszer előrejelzést készítsen, azonosítania kell a normál működés jellemzőit, a rendellenes eltéréseket és – megfelelő adatok esetén – azokat a mintázatokat, amelyek korábbi meghibásodásokat előztek meg.
A normál működési állapot meghatározása
A feldolgozás egyik első feladata annak meghatározása, hogyan viselkedik a berendezés megfelelő működés közben. Ez nem feltétlenül jelent egyetlen állandó értéket. Egy ipari gép rezgése, hőmérséklete vagy energiafogyasztása változhat a terheléstől, a fordulatszámtól, a gyártott terméktől és a környezeti feltételektől függően. A megfelelő rendszer ezért különböző üzemi állapotokhoz eltérő referenciaértékeket vagy működési tartományokat rendelhet. Ha ezt nem vesszük figyelembe, a normál terhelésváltozásokat is hibaként értelmezhetjük.
Küszöbértékek és szabályalapú felismerés
A legegyszerűbb megoldások előre meghatározott határértékeket figyelnek. Például riasztást hoznak létre, ha egy motor hőmérséklete meghaladja a megengedett értéket. Ez hasznos lehet a veszélyes állapotok felismerésére, de önmagában általában nem elegendő a meghibásodás előrejelzéséhez. Egy fokozatosan romló berendezés ugyanis még hosszú ideig a megengedett tartományon belül működhet. A szabályalapú rendszer ezért figyelheti az értékek változási sebességét, az eltérés időtartamát vagy több mérési jellemző együttes teljesülését is.
Statisztikai anomáliafelismerés
Az anomáliafelismerés célja a megszokott működéstől eltérő mintázatok azonosítása. Egy rendszer például megvizsgálhatja, hogy a rezgés és a hőmérséklet kapcsolata eltér-e a korábban megfigyelt állapottól. Ez különösen akkor lehet hasznos, ha kevés dokumentált meghibásodási példa áll rendelkezésre. Fontos azonban, hogy az anomália nem azonos a meghibásodással. Egy szokatlan működési állapotot okozhat új termelési beállítás, megváltozott terhelés, érzékelőhiba vagy egyéb, nem veszélyes körülmény is. Az ilyen jelzéseket ezért műszaki értelmezéssel és megfelelő visszacsatolással kell kezelni.
Gépi tanulás és meghibásodási modellek
Nagyobb és megfelelő minőségű adathalmazok esetén gépi tanulási módszerek is alkalmazhatók. Egy felügyelt tanulási modell korábbi mérési adatok és dokumentált meghibásodások alapján tanulhatja meg, milyen mintázatok előzték meg az adott hibákat. Más megközelítések a normál működésből tanulnak, majd az attól eltérő állapotokat keresik.
A fejlettebb rendszerek becslést adhatnak a hátralévő hasznos élettartamra, amelyet gyakran RUL-nak, azaz Remaining Useful Life-nak neveznek. Egy ilyen becslés azonban bizonytalansággal jár, és jelentősen függ a modell tanításához rendelkezésre álló adatoktól. Az AI-integráció egyedi szoftverekbe akkor lehet indokolt, ha a vállalat rendelkezik megfelelő adatokkal, és az összetettebb elemzés ténylegesen javíthatja a döntéstámogatást. Nem minden karbantartási feladathoz szükséges mesterséges intelligencia. Sok esetben egy megfelelően kialakított állapotfelügyeleti és szabályalapú rendszer is jelentős gyakorlati értéket adhat.
A prediktív karbantartás gyakorlati működése egy gyártóüzemben
Tegyük fel, hogy egy gyártóvállalat több azonos típusú szivattyút üzemeltet. A berendezések folyamatos működése szükséges a termeléshez, egy váratlan leállás pedig más gépek működését is akadályozhatja. A vállalat rezgés- és hőmérséklet-érzékelőket telepít a szivattyúkhoz. A mért értékek egy központi rendszerbe kerülnek, amely összehasonlítja az aktuális működést a korábbi adatokkal. Az egyik szivattyúnál fokozatosan emelkedő rezgésszint jelenik meg. A hőmérséklet még a megengedett tartományban marad, a gép pedig látszólag megfelelően működik.
A rendszer azonban felismeri, hogy a rezgés növekedése eltér a berendezés korábbi működésétől. A jelzés alapján a karbantartó ellenőrzést végezhet, és megvizsgálhatja például a csapágyak állapotát, a tengelybeállítást vagy a rögzítési pontokat. Ha az ellenőrzés igazolja a romló műszaki állapotot, a javítás tervezett leállásra időzíthető. Ez a példa szemléltető jellegű. A valóságban a rezgésszint emelkedése önmagában nem bizonyítja egy konkrét alkatrész meghibásodását.
Mitől lesz valóban prediktív ez a folyamat?
A fenti rendszer még lehet egyszerű állapotfelügyeleti megoldás is. Prediktív működésről akkor beszélhetünk megalapozottabban, ha az elemzés a jelenlegi állapoton túl a várható állapotváltozásra vagy hibakockázatra is következtet. Például a rendszer korábbi, igazolt csapágyhibák mérési előzményeit használhatja fel a hasonló mintázatok felismeréséhez.
Az előrejelzéshez nem feltétlenül szükséges pontos meghibásodási időpontot meghatározni. Már egy megbízható kockázati besorolás is elegendő lehet ahhoz, hogy a karbantartó előre ütemezze az ellenőrzést. Az előrejelzés értékét a rendelkezésre álló beavatkozási idő adja. Egy olyan jelzés, amely csak percekkel a meghibásodás előtt érkezik, kevésbé hasznos lehet, mint egy megfelelő megbízhatóságú, korábban kiadott figyelmeztetés.
Hogyan jut el az előrejelzés a karbantartóhoz?
A hibakockázat felismerése önmagában még nem akadályozza meg a leállást. A rendszernek az eredményt olyan formában kell megjelenítenie, amelyből a karbantartó gyorsan megértheti a helyzetet. Az IoT monitoring rendszerek feladata a berendezések állapotának követése és a rendellenességek jelzése. Egy prediktív megoldás erre építve további információkat is megjeleníthet a várható kockázatokról. A karbantartási figyelmeztetésben például szerepelhet az érintett berendezés azonosítója, a rendellenesség típusa, az észlelés időpontja, a kapcsolódó mérési adatok és a jelzés bizonytalansága.
A karbantartónak azt is látnia kell, hogy a rendszer milyen változás miatt adott figyelmeztetést. Egy kizárólag „magas hibakockázat” feliratot tartalmazó riasztás kevésbé használható, mint egy olyan jelzés, amely megmutatja a rezgés növekedését és az érintett üzemi állapotot.
A dashboard szerepe a karbantartási döntésekben
Az IoT dashboard segítségével a műszaki adatok, a trendek és a figyelmeztetések áttekinthető felületen jeleníthetők meg. A kezelőfelületnek érdemes elkülönítenie a kritikus állapotokat, a vizsgálatot igénylő eltéréseket és az információs jellegű eseményeket. A túl sok figyelmeztetés ugyanis könnyen riasztási túlterheléshez vezethet. Ha a rendszer gyakran jelez jelentéktelen eltéréseket, a felhasználók idővel kevésbé bízhatnak a figyelmeztetésekben. Ezért a riasztások kialakításánál figyelembe kell venni a hibakockázatot, a lehetséges következményeket és a beavatkozás sürgősségét.
Kapcsolat a karbantartási és vállalati rendszerekkel
A prediktív karbantartás hatékonyságát javíthatja, ha az előrejelzések nem különálló alkalmazásban maradnak, hanem kapcsolódnak a vállalat feladatkezelési vagy karbantartásirányítási folyamataihoz. Egy megfelelő rendszerintegráció segítségével a figyelmeztetésből automatikusan karbantartási munkalap vagy ellenőrzési feladat jöhet létre. A rendszer ellenőrizheti a szükséges alkatrészek rendelkezésre állását, vagy megjelenítheti az érintett géphez tartozó korábbi javításokat is.
Az alkalmazások közötti adatcseréhez API-integráció használható, amennyiben az érintett rendszerek megfelelő interfészeket biztosítanak. A munkafolyamat további részei, például a feladatkiosztás, a jóváhagyás és az elvégzett ellenőrzés dokumentálása workflow automatizálással támogathatók. A beavatkozás eredményét érdemes visszavezetni az elemzőrendszerbe. Ha a karbantartó igazolja vagy kizárja a feltételezett hibát, ez értékes visszacsatolás a későbbi előrejelzések értékeléséhez.
Milyen adatok szükségesek egy megbízható előrejelzéshez?
A prediktív karbantartási projektek egyik legnagyobb kihívása gyakran nem az algoritmus kiválasztása, hanem a megfelelő adatok biztosítása. Egy gépi tanulási modell teljesítményét jelentősen korlátozhatja, ha a történeti adatok hiányosak, a meghibásodások nincsenek dokumentálva, vagy a mérési körülmények nem követhetők.
Történeti mérési adatok
A rendszernek megfelelő mennyiségű adatot kell gyűjtenie a normál és az eltérő működési állapotokról. Az adatgyűjtés időtartamát a berendezés működése és a vizsgált hibamód határozza meg. Egy gyorsan változó technológiai folyamat elemzéséhez más mintavételezési és tárolási stratégia szükséges, mint egy lassan kialakuló mechanikai kopás vizsgálatához. Az adattárolás felhőben lehetőséget adhat több telephely mérési adatainak központi kezelésére, de a megfelelő megoldás kiválasztásakor a hálózati kapcsolatot, az adatvédelmi követelményeket és az üzemeltetési költségeket is mérlegelni kell.
Karbantartási események és hibacímkék
A mérési adatok mellett különösen értékesek a dokumentált karbantartási események. A rendszernek lehetőség szerint tudnia kell, hogy mikor történt meghibásodás, melyik alkatrész volt érintett, milyen beavatkozásra került sor, és mi volt a feltárt hiba oka. A hibák megfelelő dokumentálása nélkül nehéz megállapítani, hogy egy korábbi mérési mintázat valóban meghibásodáshoz kapcsolódott-e.
Az adatok minőségét ronthatja, ha ugyanazt a hibát különböző munkatársak eltérő megnevezéssel rögzítik, vagy a munkalapokon csak általános megjegyzések szerepelnek. A karbantartási napló az előrejelzési rendszer egyik legértékesebb adatforrása lehet.
Üzemállapot és környezeti adatok
A megbízható értelmezéshez sok esetben szükség van a gép működési körülményeire is. Egy motor rezgését például befolyásolhatja a fordulatszám, a terhelés vagy az aktuális technológiai folyamat. Ha az elemzőrendszer ezeket a tényezőket figyelmen kívül hagyja, normál működési változásokat is rendellenességként azonosíthat. Ezért a mérési adatokhoz célszerű hozzárendelni az üzemállapotot, a termelési körülményeket és a szükséges környezeti információkat.
Mennyire pontos a prediktív karbantartás?
A prediktív karbantartási rendszerek pontosságára nem adható általánosan érvényes százalékos érték. Az eredmény függ a berendezéstől, a vizsgált hibamódtól, az érzékelők minőségétől, a rendelkezésre álló történeti adatoktól és az alkalmazott elemzési módszertől. Ráadásul a pontosság önmagában nem feltétlenül megfelelő mérőszám.
Tegyük fel, hogy egy berendezés meghibásodása ritka esemény. Egy olyan rendszer, amely mindig azt jelzi, hogy nem várható hiba, az esetek nagy részében helyes választ adhat, mégsem biztosít érdemi karbantartási támogatást. Az előrejelző megoldások értékelésénél ezért több szempontot kell vizsgálni. A hamis pozitív jelzés olyan eset, amikor a rendszer hibakockázatot jelez, de a feltételezett probléma nem igazolódik. Ez felesleges ellenőrzéseket és karbantartási költségeket okozhat.
A hamis negatív jelzés ezzel szemben azt jelenti, hogy a rendszer nem ismer fel egy ténylegesen kialakuló problémát. Kritikus berendezéseknél ennek súlyosabb következményei lehetnek. A rendszer használhatóságát az is meghatározza, mennyi idővel a meghibásodás előtt képes jelezni. A megfelelő előrejelzési időablak üzleti kérdés is. Ha egy szükséges alkatrész beszerzése több napot vesz igénybe, egy néhány órával korábban érkező figyelmeztetés nem feltétlenül teszi lehetővé a tervezett javítást.
Miért nem előzhető meg minden meghibásodás?
Nem minden hiba jár jól mérhető, fokozatos állapotromlással. Bizonyos meghibásodások hirtelen következnek be, vagy olyan okból alakulnak ki, amelyet a rendelkezésre álló szenzorok nem képesek megfigyelni. Egy külső mechanikai sérülés, kezelői hiba vagy váratlan elektromos esemény például nem feltétlenül jelezhető előre a korábbi rezgési és hőmérsékleti adatok alapján.
A prediktív karbantartás ezért nem helyettesíti automatikusan a biztonsági ellenőrzéseket, a gyártói karbantartási előírásokat és a szükséges időszakos vizsgálatokat. A módszer ott alkalmazható eredményesen, ahol a vizsgált meghibásodási folyamat megfelelő jeleket hoz létre, és ezek a jelek időben, megbízhatóan mérhetők.
Mely berendezéseknél éri meg prediktív karbantartást bevezetni?
A prediktív karbantartás bevezetése nem minden eszköznél indokolt. A döntést elsősorban a meghibásodás következménye, a berendezés kritikus szerepe és az előrejelzés megvalósíthatósága határozza meg. Különösen érdekesek lehetnek azok a gépek, amelyek váratlan leállása jelentős termeléskiesést okoz, amelyek javítása költséges, vagy amelyekhez nehezen beszerezhető alkatrészek szükségesek. Forgó berendezések, például motorok, szivattyúk, ventilátorok és kompresszorok gyakran alkalmas kiindulópontot jelenthetnek, mivel több jellemző meghibásodási módjuk állapotdiagnosztikai módszerekkel vizsgálható.
Egy egyszerű, olcsón cserélhető és a termelés szempontjából kevésbé kritikus eszköznél viszont a részletes szenzoros felügyelet költsége meghaladhatja a várható előnyöket. A megfelelő döntéshez célszerű figyelembe venni a berendezés meghibásodási gyakoriságát, a várható állásidőt, a javítás költségét, a biztonsági következményeket és a rendelkezésre álló adatokat. Ahol a hibák nehezen előre jelezhetők, ott egy jól kialakított megelőző vagy állapotalapú karbantartási stratégia gazdaságosabb lehet.
Hogyan számítható ki a prediktív karbantartás megtérülése?
A megtérülés vizsgálatánál nem elegendő a szenzorok és a szoftver árát összehasonlítani a korábbi karbantartási kiadásokkal. A teljes költségbe beletartozhat az érzékelők beszerzése és telepítése, az adatkommunikáció, a feldolgozó infrastruktúra, a szoftverfejlesztés, az integráció, a rendszer üzemeltetése és az elemzési modellek karbantartása is. A lehetséges előnyök között szerepelhet a nem tervezett állásidő csökkenése, a karbantartási munkák jobb ütemezése, a sürgős alkatrészbeszerzések elkerülése és bizonyos alkatrészek indokolatlanul korai cseréjének mérséklése.
Szemléltető megtérülési számítás
Tegyük fel, hogy egy berendezésnél évente négy váratlan meghibásodás történik, és egy-egy esemény átlagosan hat óra termeléskiesést okoz. Ez évente 24 óra nem tervezett állásidőt jelent. Ha egy megfelelően működő előrejelző rendszer segítségével ebből hipotetikusan 12 óra elkerülhető, akkor a pénzügyi előny az elkerült állásidő tényleges üzleti következményeitől függ. A számításhoz nem feltétlenül elegendő az óránkénti árbevételt használni. Figyelembe kell venni például az elvesző fedezetet, az esetleges pótlólagos műszakok költségét és azt, hogy a kieső termelés később pótolható-e.
Az előnyökből le kell vonni a rendszer beruházási és működtetési költségeit, valamint a szükséges ellenőrzések és beavatkozások ráfordításait. A példa nem igazolt megtakarítási adat, hanem a megtérülési logika szemléltetése. A megtérülést a ténylegesen elkerülhető veszteség alapján érdemes becsülni, nem általános iparági megtakarítási ígéretekre építve.
A prediktív karbantartás bevezetésének lépései
A sikeres bevezetés általában fokozatos fejlesztést igényel. Nem célszerű rögtön a teljes gépparkra kiterjedő, összetett előrejelző rendszert építeni, ha még nem ismert a rendelkezésre álló adatok minősége és a vizsgált hibamódok előrejelezhetősége.
1. Kritikus berendezések és hibamódok kiválasztása
Elsőként azokat a gépeket érdemes azonosítani, amelyek meghibásodása jelentős üzleti vagy működési következményekkel jár. Ezután meg kell vizsgálni, hogy a jellemző hibák milyen fizikai változásokkal járnak, és ezek mérhetők-e megfelelő érzékelőkkel. A projekt célját célszerű konkrétan megfogalmazni. Például: egy meghatározott szivattyútípus csapágyállapotának követése, a rendellenes rezgésmintázatok felismerése és a karbantartási ellenőrzések jobb időzítése.
2. Adatforrások és műszaki követelmények meghatározása
A következő lépés annak felmérése, hogy milyen mérési adatok állnak rendelkezésre, és szükséges-e új érzékelők telepítése. Ekkor kell meghatározni a mintavételezési gyakoriságot, az adatátviteli módot, a tárolási időt, a hozzáférési jogosultságokat és az integrációs követelményeket. A szoftverspecifikáció elkészítése segíthet abban, hogy a műszaki és üzleti elvárások egyértelműen rögzítve legyenek. Fontos különválasztani a kötelező funkciókat a később bevezethető fejlesztésektől.
3. Állapotfelügyeleti alapok kialakítása
Sok esetben célszerű először megbízható adatgyűjtési és állapotfelügyeleti rendszert létrehozni. Ez biztosítja a történeti mérési adatokat, és lehetővé teszi a normál működési tartományok megismerését. A kezdeti rendszer már tartalmazhat egyszerű figyelmeztetéseket és trendvizsgálatokat. Ezzel párhuzamosan érdemes kialakítani a karbantartási események következetes dokumentálását.
4. Pilotprojekt és modellértékelés
A következő szakaszban egy kisebb gépcsoporton vagy meghatározott hibamódon tesztelhető az előrejelzési megközelítés. Az MVP fejlesztés lépései hasznos szemléletet adhatnak a korlátozott funkciójú, de valódi működésben kipróbálható első verzió kialakításához. A pilot során nemcsak azt kell vizsgálni, hogy az algoritmus felismer-e eltéréseket. Azt is ellenőrizni kell, hogy a jelzésekből ténylegesen születnek-e hasznos karbantartási intézkedések, és a rendszer nem okoz-e túl sok felesleges ellenőrzést.
5. Integráció a karbantartási folyamatokba
A pilot után a figyelmeztetések összekapcsolhatók a vállalat meglévő feladatkezelési vagy karbantartásirányítási rendszerével. Az üzleti folyamatok automatizálása segíthet a jelzések továbbításában, a feladatok kiosztásában és az intézkedések követésében. A folyamatnak tartalmaznia kell a visszacsatolást is: a karbantartók rögzítsék, hogy a jelzés igazolódott-e, és milyen hibát találtak. Ezek az adatok a későbbi modellértékelés és fejlesztés alapját képezhetik.
6. Folyamatos felügyelet és újratanítás
Egy előrejelző modell teljesítménye idővel változhat. A berendezések öregedése, az alkatrészcserék, az új gyártási beállítások és a megváltozott üzemi körülmények módosíthatják a mérési adatok eloszlását. Ezt a jelenséget a gépi tanulási rendszerekben gyakran adateloszlás-változásként vagy modellromlásként kezelik. A rendszernek ezért nemcsak a gépek állapotát, hanem az előrejelzések minőségét is figyelnie kell. A hibás jelzések, az elmulasztott meghibásodások és a karbantartói visszajelzések alapján szükség lehet a szabályok módosítására vagy a modellek újratanítására.
Kész prediktív karbantartási platform vagy egyedi fejlesztés?
A megfelelő megoldás kiválasztása a géppark összetettségétől, az adatok hozzáférhetőségétől és a vállalat működési folyamataitól függ. Egy kész platform előnyös lehet, ha a berendezések és a szükséges elemzések illeszkednek a rendszer meglévő funkcióihoz. Ilyenkor a vállalat gyorsabban hozzáférhet előre kialakított adatgyűjtési, vizualizációs és riasztási lehetőségekhez. A korlátok jellemzően akkor jelentkeznek, ha speciális adatforrásokat kell kezelni, összetett üzleti logikára van szükség, vagy a rendszernek szorosan együtt kell működnie a meglévő vállalati alkalmazásokkal. Az egyedi vagy dobozos szoftver kiválasztásánál ezért a bevezetési költség mellett a bővíthetőséget, az integrációkat és a hosszú távú üzemeltetést is mérlegelni kell.
Mikor indokolt az egyedi fejlesztés?
Egyedi megoldás lehet megfelelő, ha a vállalat különleges berendezéseket használ, saját karbantartási módszertannal dolgozik, vagy olyan adatkapcsolatokra van szüksége, amelyeket egy kész rendszer nem támogat megfelelően. Az egyedi szoftverfejlesztés folyamata lehetőséget adhat a követelmények fokozatos pontosítására és a vállalati működéshez igazított funkciók kialakítására.
A rendszer felhasználói felülete például egyedi webalkalmazásként is megvalósítható, amely összekapcsolja az állapotadatokat, a karbantartási feladatokat és a vezetői mutatókat. Nem feltétlenül szükséges azonban minden technológiai komponenst saját fejlesztésben létrehozni. Sok esetben meglévő adatgyűjtő, tárolási és elemzési megoldások integrációja biztosítja a legjobb egyensúlyt.
Adatbiztonság és üzembiztonság az IoT-alapú karbantartásban
A prediktív karbantartási rendszer ipari berendezések működéséről gyűjt adatokat, ezért az informatikai és az üzemeltetési biztonságot együtt kell kezelni. A szenzorokhoz, adatgyűjtő egységekhez és központi alkalmazásokhoz megfelelő hozzáférés-szabályozás szükséges. A kommunikáció védelme, a rendszeres frissítések, a naplózás és a jogosultságok elkülönítése csökkentheti a jogosulatlan hozzáférés kockázatát. Különösen körültekintően kell eljárni, ha a megoldás a gépek állapotának megfigyelésén túl vezérlési funkciókat is tartalmaz.
Az előrejelző rendszer nem helyettesítheti a szükséges biztonsági védelmeket. Egy szoftveres hibakockázati becslés nem alkalmas arra, hogy önmagában kiváltsa a berendezéshez előírt védelmi vagy leállítási mechanizmusokat. A rendszer rendelkezésre állásával, hibakezelésével és támogatásával kapcsolatos elvárásokat célszerű előre rögzíteni. Ebben az SLA szerepének és tartalmának megértése is segíthet.
A prediktív karbantartás leggyakoribb bevezetési hibái
A technológia önmagában nem garantálja a projekt sikerét. Több visszatérő tervezési és működési hiba is csökkentheti az eredményességet. Az egyik leggyakoribb probléma, amikor a vállalat először választ algoritmust, és csak később vizsgálja meg, hogy rendelkezésre állnak-e a szükséges adatok. Hasonlóan problémás, ha túl sok érzékelőt telepítenek anélkül, hogy meghatároznák a vizsgált hibamódokat.
A nem megfelelő mintavételezés szintén korlátozhatja a diagnosztikai lehetőségeket. Bizonyos gyorsan változó rezgésjelenségek például nem elemezhetők megbízhatóan ritka, összesített mérési adatokból. A hiányos karbantartási dokumentáció megnehezítheti a modellek tanítását és az előrejelzések ellenőrzését. Gyakori kockázat az is, hogy a rendszer túl sok riasztást generál, de nincs kialakított folyamat a jelzések kezelésére. Végül a kezdetben megfelelően működő modellek teljesítménye is romolhat, ha a vállalat nem követi a berendezések és az üzemi körülmények változását. A problémák közös tanulsága, hogy a prediktív karbantartás folyamatosan működtetett rendszer, nem egyszeri szoftvertelepítési feladat.
Hogyan kapcsolódik a prediktív karbantartás a vállalat digitális működéséhez?
A prediktív karbantartás eredményei más vállalati folyamatokban is hasznosíthatók. A karbantartási előrejelzések például támogathatják a termelési ütemezést, az alkatrészbeszerzést és a kapacitástervezést. Ha egy kritikus berendezésnél növekvő hibakockázat jelentkezik, a termelésirányítás előre megvizsgálhatja a lehetséges leállási időpontokat. A beszerzés ellenőrizheti a szükséges alkatrészek rendelkezésre állását, a karbantartási csapat pedig előkészítheti a munkát.
Egy megfelelően kialakított vállalati rendszerben ezek az információk összekapcsolhatók a gyártási rendelésekkel, a készletadatokkal és az erőforrás-tervezéssel. Az ilyen megoldások fejlesztése már túlmutat az egyszerű gépfelügyeleten. A prediktív karbantartás a vállalat szélesebb körű digitális működésének részévé válhat.
Prediktív karbantartási megoldások fejlesztése a Netiparral
Egy IoT-alapú prediktív karbantartási rendszer megvalósítása több szakterület együttműködését igényelheti: ipari adatgyűjtést, adatfeldolgozást, szoftverfejlesztést, rendszerintegrációt és megfelelő felhasználói felületek kialakítását. A Netipar IoT-szolgáltatásai olyan fejlesztési feladatokhoz kapcsolódhatnak, ahol a fizikai eszközökből származó adatokat digitális rendszerekben kell összegyűjteni, feldolgozni és megjeleníteni. Az egyedi szoftverfejlesztési megoldások pedig akkor lehetnek relevánsak, ha a vállalat saját karbantartási folyamataihoz igazított alkalmazást, speciális adatkapcsolatokat vagy egyedi döntéstámogató funkciókat szeretne kialakítani.
A megfelelő első lépés a kritikus berendezések, a jellemző hibamódok és az elérhető adatok felmérése. Ezt követheti egy korlátozott pilot, amelyben ellenőrizhető, hogy a kiválasztott mérési adatokból valóban előállíthatók-e használható figyelmeztetések. A prediktív karbantartás legnagyobb értéke nem az, hogy minden meghibásodás időpontját előre megmondja. Hanem az, hogy a felismerhető állapotromlásból időben tervezhető beavatkozás születhet. Ha az előrejelzés megfelelő adatokon alapul, és beépül a karbantartási folyamatokba, a vállalat tudatosabban kezelheti a gépek meghibásodási kockázatát, és csökkentheti a váratlan leállások következményeit.
