Usprawnianie konserwacji i zwiększanie bezpieczeństwa dzięki narzędziom i danym IoT

Sprzęt, maszyny, drogi, oprogramowanie i wszystko inne, co może się zużywać, musi podlegać jakiejś formie konserwacji, by utrzymać sprawność i nadawać się do bezpiecznego użytku. W środowisku przemysłowym, tradycyjne strategie konserwacji zazwyczaj składały się z dwóch elementów.

Pierwszym z nich jest prewencyjna konserwacja, oparta o harmonogram. W z góry określonych momentach dokonuje się przeglądu i napraw maszyn. Czas pomiędzy kolejnymi przeglądami może bazować albo na kalendarzu (np. co 6 miesięcy), albo na przebiegu (np. serwisowanie pojazdu co 20 tysięcy kilometrów). Uzupełnieniem jest konserwacja w ramach napraw usterek.

Drugim rozwiązaniem jest prowadzenie konserwacji po wstrzymaniu działania zakładu, ale większość firm stara się tego unikać, ze względu na koszty takiego działania. Bywa jednak, że jest to jedyna dostępna opcja.

Tak czy inaczej, tradycyjne podejście nie jest efektywne. Część sprzętu, który podlega wymianie ze względu na harmonogram, mogłoby jeszcze przez długi czas sprawnie pracować. To właśnie powoduje straty. I o ile zbyt częste serwisowanie generuje nadmierne, niepotrzebne koszty, wydłużanie interwałów w harmonogramie może powodować wzrost usterek.

Opisana strategia coraz mniej się sprawdza w nowoczesnym przemyśle, w którym sprzęt jest na tyle skomplikowany i działa bliżej swoich granic wytrzymałości, niż dawniej. Wynika to z konieczności zwiększania produktywności i efektywności zakładów. Dlatego potrzebny jest bardziej dokładny wgląd w czasie rzeczywistym w warunki pracy maszyn, by mieć pewność, że ich konserwacja jest wciąż efektywna.

Potrzeba lepszych narzędzi do zarządzania konserwacją wynika także z kosztów, jakie powodują usterki sprzętu. W 2014 roku, Aberdeen Group oceniła, że koszty przestojów we wszelkich obszarach działalności firmy wyniosły średnio 164 tysiące dolarów na godzinę. Do 2016 roku wzrosły one do 260 tysięcy na godzinę – to wzrost o prawie 60% w bardzo krótkim czasie. Nawet coś co wydaje się nieznaczącą usterką może okazać się bardzo kosztowne, kiedy uwzględni się wszystkie konsekwencje. Oprócz utraconej możliwości wyprodukowania nowych dóbr, mogą pojawić się miejsca, gdzie towar się rozlał lub rozsypał, a więc trzeba wydać środki i poświęcić czas na czyszczenie. Następnie poświęca się czas pracowników na przegląd przyczyn zdarzenia, szacowanie strat, przygotowywanie raportów oraz zakupy nowych części i rzeczy związanych z usuwaniem konsekwencji usterki. W końcu straty wynikają też z ograniczonej wydajności maszyn podczas ich rozruchu i w trakcie ich wyłączania.

Jednakże technologie Przemysłu 4.0 i Internet Rzeczy (IoT) pozwalają twórcom maszyn i ich użytkownikom na skorzystanie z bardziej elastycznych metod, polegających na dostępie do większej ilości informacji; są to bardziej skuteczne sposoby konserwacji. W niniejszym artykule przyglądamy się tym bardziej zaawansowanym strategiom konserwacji i temu, jak IoT oraz różne komponenty pozwalają na prowadzenie takich działań. Podajemy prawdziwy przykład systemu. Przeprowadzamy też dyskusję na temat bezpieczeństwa, gdyż konserwacja i bezpieczeństwo są ze sobą często ściśle powiązane.

Następnie przyglądamy się rozwojowi technologii, które kreują przyszłość systemów konserwacji. Przykładowo, pokazujemy jak potencjalnie przytłaczające ilości danych z IoT mogą być zarządzane i sensownie wykorzystywane przez algorytmy sztucznej inteligencji. Poruszamy także temat maszyn, które mogą się same naprawiać i wskazujemy, w jaki sposób wirtualna rzeczywistość może zostać użyta w roli narzędzia treningowego dla pracowników utrzymania ruchu. W końcu przyglądamy się temu, jak te usprawnienia mogą pozwolić producentom maszyn bez obaw oferować usługi konserwacji – tj. stosować model biznesowy, w ramach którego sprzedawane są nie tylko maszyny, ale i gwarantowany poziom produktywności przez określony w umowie czas. Może to stanowić bardzo korzystne finansowo podejście, zarówno dla producentów maszyn, jak i dla samych użytkowników.

Monitorowanie stanu maszyn i konserwacja predykcyjna

Odstępy czasu dla konserwacji prewencyjnej są zazwyczaj określane przez producenta maszyny i bazują na analizie statystycznej odnośnie tego, kiedy poszczególne części ulegną uszkodzeniu i dlatego wymagają uwagi. Jednakże statystyczne prawdopodobieństwo wcale nie oznacza, że dana część faktycznie ulegnie uszkodzeniu w najbliższym czasie. Co więcej, może się zdarzyć, że dana część się zepsuje dużo wcześniej, niż jest to przewidywane.

Dla kontrastu, efektywność i niezawodność mogłyby znacznie wzrosnąć, jeśli można by było monitorować maszynę i jej części w czasie rzeczywistym, wykrywać sytuacje, gdy jakieś parametry wykraczają poza akceptowalne granice, a następnie podejmować akcje zapobiegające stratom. W ten sposób można by było maksymalnie wykorzystać każdą część, bez obaw że drobna niedoskonałość spowoduje większy problem.

Proces ten nazywa się monitorowaniem opartym o stan, (CBM – Condition-Based Monitoring), gdzie stan maszyny jest stale monitorowany poprzez przyglądanie się predefiniowanemu zestawowi parametrów urządzenia. W ten sposób udaje się ustalić wzorce sytuacji, które mogą świadczyć o zbliżającej się awarii.

Strategię CBM należałoby zacząć od określenia podstawowych parametrów do monitorowania. Takich, które pozwalałyby stwierdzić, czy sprzęt jest „zdrowy”. Niektóre z najczęściej stosowanych parametrów to:

  • wibracje: warto przede wszystkim monitorować wibracje łożysk,
  • temperatura: monitorowanie zmian temperatury,
  • poziom oleju: zmiany poziomu oleju smarującego mogą świadczyć o stanie urządzenia,
  • akustyka: czujniki ultradźwiękowe pozwalają określać stan maszyny,
  • napięcia i prądy silników: ich monitorowanie umożliwia wykrywanie łuków elektrycznych, zwarć, iskrzeń i innych szkodliwych zjawisk.
Czujnik wibracji

Ilustracja 1: Czujnik wibracji

Zdefiniowanie tych parametrów wymaga też określenia dopuszczalnych ich wartości dla poprawnego działania maszyny. Należy więc zebrać dane historyczne dla każdego z parametrów, by określić, jakie wartości parametrów są normalne.

Gdy parametry są już dostępne do analizy, należy stworzyć model usterek, by wykrywać odchyły parametrów od normy. To całkiem proste zadanie, jeśli kombinacje wartości parametrów, które skutkują usterką, są znane. Można zdefiniować zestaw zasad, a klasyczne metody analizy danych i matematyka umożliwiają przygotowanie odpowiedniego modelu. Jednakże, jeśli przyczyny usterki nie są łatwe do zrozumienia, z pomocą przychodzą nauki o analizie danych i uczenie maszynowe, które pozwalają stworzyć algorytmy wykrywające wzorce w danych.

Algorytmy uczenia maszynowego można podzielić na dwie, szerokie kategorie:

  • Uczenie bez nauczyciela. Algorytmy tego typu pracują na zbiorach danych bez pomocy człowieka. Rezultatem jest zestaw automatycznie znalezionych wzorców, opartych o zebrane dane, które można odnieść do występujących usterek.
  • Analiza z nauczycielem. Takie algorytmy są uczone specjalnie, by wykrywać błędy. Podaje się im podzbiór danych, który z góry obejmuje przypadki określone jako awaryjne lub poprawne. Algorytm uczy się na ich podstawie, by później gdy otrzyma inne dane, być w stanie wskazać te sytuacje, w których pojawiają się usterki.

W praktyce, modele uczenia maszynowego muszą być stale monitorowane pod kątem ich efektywności. Często ulegają degradacji z czasem i wymagają rekonfiguracji lub ponownego uczenia.

Konserwacja predyktywna jest powiązana nieco z CBM, ale nie jest tym samym. Bazuje na sprawdzaniu stanu maszyny, by ocenić czy ulegnie ona awarii w niedługim czasie, a następnie na podejmowaniu działań, by zapobiec konsekwencjom takiej usterki. Mierzenie stanu maszyny może polegać na metodzie CBM, ale zwykłe analizy statystyczne, monitorowanie wydajności sprzętu, lub ocena za pomocą ludzkiego oka i ucha też mogą zostać użyte.

CBM i IoT

O ile metoda CBM ma ogromny potencjał, niesie ze sobą też wiele wyzwań. Może być droga ze względu na duże koszty dodania oprzyrządowania pomiarowego do maszyny i podłączenia go do sieci. Dotyczy to szczególnie sytuacji, gdy maszyna jest już zainstalowana w fabryce. Przykładowo, w przemyśle naftowym, ze względu na koszty, systemy CBM pierwszej generacji bazowały jedynie na pomiarze wibracji ciężkiego, obracającego się sprzętu.

Pozyskiwanie użytecznych danych również może być trudne. Nawet jeśli niektóre rodzaje sprzętu da się łatwo obserwować poprzez pomiary prostych wartości, takich jak wibracje (czyli przemieszczenia i przyspieszenia), temperatura i ciśnienie, wcale nie jest takie proste, by zamienić te dane w wartościową wiedzę na temat „zdrowia” urządzenia.

Jednakże sytuacja się zmienia. Systemy produkcyjne stają się coraz droższe, a przez to droższe są także ich przestoje. Tymczasem technologia IoT pozwala producentom i użytkownikom na poradzenie sobie z tymi problemami, ponosząc przy tym mniejsze koszty. Czujniki są obecnie tańsze, bardziej odporne i niezawodne, a przy okazji mają bogatsze funkcje, czasem łączące w sobie cechy kilku różnych sensorów. Istnieją także sprawne, bezprzewodowe protokoły, które pozwalają na efektywne zbieranie i przesyłanie danych z czujników do lokalnych bramek, by błyskawicznie je analizować i filtrować. Następnie można je przesłać przez Internet do systemów obliczeniowych w chmurze, które pozwolą już na uruchamianie oprogramowania jako usługi dla dowolnie dużej liczby użytkowników. Oprogramowanie to może przechowywać dane oraz wykonywać na nich analizy potrzebne do detekcji trendów i identyfikacji potencjalnych, problematycznych punktów.

platforma Datonis

Ilustracja 2: Konserwacja predykcyjna z użyciem platformy Datonis – źródło: Altizon

Przykładowy system monitorowania stanu – Siemens SiPLUS CMS i Digital Factory

Oprogramowanie Siemens SIPLUS CMS to pakiet CBM, korzystający z technologii IoT. Stanowi krok w kierunku cyfrowych fabryk, w których wszystkie elementy, a w tym maszyny, produkty i personel, a także łańcuch produkcji, stają się usieciowione. CMS współpracuje z MindSphere, zlokalizowaną w chmurze platformą Siemensa, stanowiącą otwarte rozwiązanie IoT, przeznaczone do analizy dużych ilości danych, zebranych z systemów monitorowania maszyn, celem redukcji czasów przestojów.

SIPLUS CMS zapisuje i analizuje dane na temat parametrów mechanicznych maszyn i integruje je ze światem automatyki, pomagając w podejmowaniu decyzji personelowi odpowiedzialnemu za konserwacje, a także operatorom i zarządowi. Otwarta architektura systemu i efektywna interakcja pomiędzy wszystkimi komponentami automatyki umożliwia monitorowanie stanu maszyn i ich mechanicznych komponentów na wszelkich poziomach i na obszarze całej fabryki. Dzięki temu podejściu, centra sterowania mogą z bliska monitorować aktualne informacje. W przypadku pojawienia się anomalii, jest możliwe by szybko oszacować, przez ile czasu można jeszcze bezpiecznie pracować. Ponadto anomalie można bezpośrednio porównywać ze stanem komponentów znajdujących się w pobliżu problematycznego elementu, by określić, czy np. wzrost temperatury jest spowodowany przegrzewaniem się łożyska.

System SIPLUS jest dostarczany w ramach trzech różnych pakietów, które zostały podsumowane poniżej:

SIPLUS CMS1200

SIPLUS CMS1200 pozwala na stałe monitorowanie stanu krytycznych komponentów mechanicznych. Zapisywane dane są analizowane przez wbudowane oprogramowanie CMS1200 i przechowywane w module monitorującym SM 1281. SIPLUS CMS1200 jest w pełni zintegrowany z systemami automatyki poprzez platformę Siemens Totally Integrated Automation (TIA) Portal.

Funkcje:

  • analiza danych w oparciu o wartości parametrów lub częstość występowania zjawisk,
  • wbudowane algorytmy analizy,
  • analiza trendów,
  • przekazywanie komunikatów systemowych i dotyczących stanu,
  • synchronizacja czasowa przez sieć LAN,
  • przesyłanie danych na temat wibracji na żywo do oprogramowania CMS X-Tools na potrzeby analizy.

Korzyści obejmują zwiększenie dostępności zakładu, szybkie wykrywanie uszkodzeń mechanicznych, pozwalające wydłużyć czas pracy maszyny oraz zmniejszone koszty utrzymania, przy minimalnych nakładach inwestycyjnych.

SIPLUS CMS2000

SIPLUS CMS2000 jest dostępny jako samodzielne, niezależne rozwiązanie automatyki. Pozwala analizować, diagnozować i wizualizować sygnały, bez potrzeby stosowania dodatkowego oprogramowania. Modularna budowa sprawia, że bardzo łatwe jest idealne dopasowanie systemu do konkretnych wymagań.

Funkcje:

  • analiza danych w oparciu o wartości parametrów lub częstość występowania zjawisk,
  • wbudowane algorytmy analizy,
  • analiza trendów,
  • przekazywanie komunikatów systemowych i dotyczących stanu,
  • synchronizacja czasowa przez sieć LAN,
  • przesyłanie danych na temat wibracji na żywo do oprogramowania CMS X-Tools na potrzeby analizy.

Korzyści płynące z zastosowania pakietu CMS2000 są takie same, jak w przypadku pakietu CMS1200.

SIPLUS CMS4000

W przypadku monitorowania zarówno pojedynczych komponentów, jak i złożonych systemów, można sięgnąć po SIPLUS CMS4000. Jest to system łatwy do integracji w każdym środowisku automatyki. Potężne oprogramowanie diagnostyczne CMS X-Tools pozwala tworzyć i chronić własne modele analizy oraz wykorzystywać w nich dane z procesowe z systemów sterowania.

Funkcje:

  • rejestrowanie parametrów mechanicznych nawet za pomocą 180 sensorów – synchronicznie i w czasie rzeczywistym, z próbkowaniem z częstotliwością do 192 kHz,
  • przetwarzanie zebranych danych bezpośrednio z systemów SIMATIC S7, SIMATIC TDC i SIMOTION,
  • transmisja danych do oprogramowania CMS X-Tools przez protokół TCP/IP.

Do korzyści z użycia systemu CMS4000 należą m.in. prosta integracja z istniejącymi i nowymi systemami automatyki, możliwość zapewnienia wysokiej jakości procesów produkcyjnych dzięki funkcjom rejestrowania danych w locie oraz szczegółowa analiza, diagnozowanie, monitorowanie, wizualizacja i archiwizacja.

MindSphere to działający w chmurze, otwarty system operacyjny IoT firmy Siemens, który pozwala łączyć ze sobą produkty, zakłady, systemy i maszyny, umożliwiając wykorzystanie bogatych zestawów danych, generowanych za pomocą rozwiązań Internetu Rzeczy i prowadzenie zaawansowanej analizy.

Specjalistyczne czujniki do konserwacji predykcyjnej

W artykule jak dotąd omówiliśmy systemy monitorowania stanu, bazujące na czujnikach wartości mechanicznych, mierzących wibracje, obroty i temperaturę. Inne, specjalizowane sensory mogą dostarczyć wielu dodatkowych informacji na temat stanu maszyn i pojawiających się problemów.

Kamery termowizyjne:

Fluke oferuje trzy rodziny kamer termowizyjnych do różnych aplikacji monitorowania

Seria Performance, pokazana na ilustracji 5., sprawdza się w rutynowej konserwacji. Pozwala dostarczać obrazy obiektów nawet z odległości 15 cm (przy zastosowaniu manualnego ogniskowania), a użycie modeli ze stałą ogniskową pozwala szybciej zbierać obrazy. Kamery te mogą tworzyć raporty i przesyłać je z terenu za pomocą oprogramowania do zdalnej diagnostyki, Fluke Connect.

Seria Professional jest przeznaczona do zaawansowanej inspekcji i wyszukiwania przyczyn problemów. Pozwala wykonywać dokładne zdjęcia gorących komponentów o temperaturze do 1200 °C. Jest w stanie monitorować procesy tworząc nagrania wideo, przesyłając obraz na żywo i może być zdalnie sterowana oraz pracować w trybie automatycznym.

Seria Expert pozwala uzyskiwać obrazy o najwyższej jakości, a 180-stopniowe pole widzenia ułatwia wybieranie ustawienia kamery. Obraz pozwala na oglądanie małych detali i wykrywanie anomalii na 5,7-calowym ekranie dotykowym.

Luksomierz: wykorzystanie luksomierzy jest coraz częstsze w zakładach pracy, nie z uwagi na maszyny, ale ze względu na bezpieczeństwo. Pozwalają one na pomiar natężenia światła w luksach lub kandelach w przeliczeniu na jednostkę powierzchni. Niektóre z nich mają wbudowaną pamięć lub mechanizm do rejestracji danych, za pomocą których zapisują odczyty. Wiele luksomierzy zawiera też oprogramowanie do szczegółowej analizy i ma różne interfejsy do przesyłania zmierzonych wartości do komputera.

Monitorowanie właściwości chemicznych: woda używana, na przykład w systemach chłodzenia, musi mieć odpowiedni skład chemicznych, by zapobiegać korozji, powstawaniu osadów, czy też rozwijaniu się mikroorganizmów. System SUEZ TrueSense pozwala na ciągłe monitorowanie wody stosowanej do chłodzenia maszyn i dozowanie odpowiedniej ilości związków chemicznych by utrzymać adekwatny stan wody. Pomiary realizowane przez system obejmują mierzenie:

  • zawartości ortofosforanów, w celu kontroli procesu korozji,
  • zawartości polimerów, w celu redukcji osadzania się minerałów oraz by rozpraszać zawieszone w płynie cząsteczki stałe,
  • zawartości halogenów, celem realizacji niedrogiego mechanizmu kontroli mikrobiologicznej.

System komunikuje się z działającym w chmurze oprogramowaniem Insight firmy SUEZ, które pozwala zarządzać zdobywanymi informacjami. Umożliwia wizualizację aktualnego stanu oraz trendów, diagnostykę problemów i identyfikację miejsc, w których można coś poprawić. Ponadto wyzwala alarmy w przypadku określonych zdarzeń lub w momencie wystąpienia niekorzystnych trendów, zanim zagrożą one produkcji lub urządzeniom. System raportuje kluczowe wskaźniki wydajności i ich wpływ na zdefiniowane cele biznesowe.

Inteligentne zaciski CT, monitorujące przepływ prądu

Zaciski Pressac Sensing Wireless 3 Channel CT Clamp zostały zaprojektowane celem pomiarów i raportowania przepływu prądu przemiennego w trzech oddzielnych przewodach. System zasilany jest z dowolnego z przewodów, które poddawane są pomiarom i co 30 sekund dokonuje pomiaru, przesyłając dane bezprzewodowo. Moduł można łatwo zainstalować, bez wstrzymywania pracy instalacji.

Pressac Three channel CT clamp

Ilustracja 3: Pressac 3 Channel CT Clamp – źródło: Pressac Communications Limited

Jak IoT może wpłynąć na bezpieczeństwo zakładu?

Usprawnianie strategii konserwacji wynika z potrzeby zwiększania wydajności zakładu. Produktywność można dalej zwiększać przy okazji podwyższania poziomu bezpieczeństwa na terenie zakładu. Nowe systemy bezpieczeństwa można zrealizować za pomocą technologii IoT, połączonej z analizą Big Data. Takie kluczowe dane, informacje o jak nieobecności pracowników, problemach z pojazdami, zniszczeniu mienia, urazach i wszelkich innych stratach, które występują w trakcie normalnej pracy zakładu, mogą być z łatwością monitorowane.

Często, jeśli za ich raportowanie odpowiada człowiek, wiele z tych informacji może zaginąć, gdyż albo w ogóle nie są zgłaszane, albo w mniejszym stopniu, niż powinny. IoT umożliwia poprawienie ogólnego bezpieczeństwa dzięki dostępowi w czasie rzeczywistym do wielu tych informacji. Wszelkie problemy, które się pojawiają, mogą być od razu analizowane, dzięki czemu łatwiej też jest spełnić wymogi różnych regulacji, a także dbać o środowisko naturalne.

Bardzo dobrym przykładem są urazy ciała w pracy. Często te mało poważne w ogóle nie są zgłaszane. Bywa, że z czasem stają się poważniejsze, ale wtedy nie za bardzo można już wyśledzić ich pierwotną przyczynę, bo ta nie była odnotowana.

Urządzenia noszone na ciele i podłączone do Internetu mogą być rozwiązaniem tego problemu, gdyż pozwolą na stałe monitorowanie pracowników pod kątem różnych parametrów zdrowotnych, a w tym z uwagi na tętno, ruch, wykonywane aktywności, zmęczenie, stres itd. Takie urządzenia pomogą też dostarczać ważne informacje na temat bezpieczeństwa, zmniejszając koszty ubezpieczenia i przyczyniając się do polepszenia warunków pracy pracowników.

Pomocne może okazać się także umieszczanie znaczników na pracownikach. Ma ono szczególną wagę w przypadku przemysłu wiążącego się z podwyższonym ryzykiem, tj. np. górnictwa. Dzięki znacznikom wiadomo, kto akurat znajduje się na terenie zakładu, jak długo tam był i ma się pewność, że w przypadku sytuacji awaryjnej, o nikim się nie zapomni.

Przyszłość konserwacji

Metody konserwacji maszyn ewoluują – od reakcyjnych przez planowane, po predyktywne i w końcu do trybu samonaprawiania. Trendem jest zwiększanie wydajności zakładów przemysłowych przy ograniczaniu wysiłku na ich utrzymanie. Poniżej opisujemy niektóre najbardziej ciekawe kierunki rozwoju, które przyczynią się do osiągnięcia celu.

Samonaprawiające się narzędzia: Badacze z Technical University of Denmark (DTU) opracowali metody automatycznej kompensacji zużycia narzędzi przemysłowych. To niezbędny krok na drodze do stworzenia samonaprawiających się narzędzi, realizowany we współpracy z niemieckim Siemensem.

Obecnie używane maszyny CNC uzyskują swoją maksymalną precyzję, gdy są nowe. Algorytmy pozycjonowania pozwalają zapewnić uzyskanie dokładnie takich samych wymiarów i wykończenia każdego z 10 tysięcy wycinanych, metalowych komponentów.

Jednakże wysoka precyzja to już niejedyny wymóg, stawiany przed nowoczesnymi maszynami przemysłowymi. Obecnie oczekuje się także dużej niezawodności i przewidywania zużycia sprzętu, by zapobiec nieplanowanym przerwom w produkcji.

W związku z powyższym, w DTU opracowano nowe algorytmy, które sprawiają że sama maszyna jest w stanie ocenić, kiedy konieczne staje się serwisowanie różnych jej części. Dzięki przeprowadzonym badaniom, maszyna „umie” uwzględnić zużycie komponentów i dostosować się do nowych warunków. Oznacza to, że nie trzeba całkowicie zatrzymywać produkcji, by przestroić maszynę – może ona dalej pracować, utrzymując wysoką dokładność, nawet gdy jest już częściowo zużyta. Wizją naukowców z DTU jest opracowanie automatycznego systemu sterowania maszyną, który byłby zarówno w stanie kompensować wpływ stopniowego zużywania się elementów, jak i sugerować optymalne momenty przeprowadzenia napraw konserwacyjnych.

Rosnący wpływ sztucznej inteligencji na konserwację predykcyjną

Kolejnym tematem, powiązanym z konserwacją opartą o monitorowanie stanu maszyny, jest predykcyjna jakość i konserwacja (PQM – Predictive Quality and Maintenance). Rozwiązania PQM korzystają z danych, zbieranych zarówno z sieci IoT, jak i z tradycyjnych systemów i koncentrują się na wykrywaniu problemów w jakości produkcji oraz związanych z konserwacją, zanim staną się poważne i spowodują przestoje.

Tradycyjnie, w rozwiązaniach PQM wykorzystywano algorytmy bazujące na uśrednionych statystykach, by przewidywać, kiedy należy wprowadzić poprawki w działaniu systemu lub przeprowadzić konserwację. Jednakże dzięki dostępności znacznie większych zbiorów danych oraz dzięki nowym postępom w sztucznej inteligencji, obecnie można stosować nowe podejście.

Rozwiązania PQM, bazujące na sztucznej inteligencji, korzystają z różnych technologii, takich jak uczenie maszynowe, głębokie uczenie i algorytmy kognitywne:

  • uczenie maszynowe: koncentruje się na rzeczywistych problemach poprzez przetwarzanie dużych ilości danych i wyciąganie z nich wiedzy;
  • głębokie uczenie (deep learning): wykorzystuje sieci neuronowe do przetwarzania niewyobrażalnych ilości danych w celu wyciągnięcia z nich wniosków;
  • algorytmy kognitywne (cognitive computing): podzbiór algorytmów sztucznej inteligencji, którego celem jest naśladowanie sposobu, w jaki myślą ludzie. A bardzo ważnym podzbiorem algorytmów kognitywnych jest uczenie się i wnioskowanie w oparciu o pamięć asocjacyjną. Jest to proces przypominający sposób, w jaki ludzie uczą się, zapamiętują i wnioskują – właśnie poprzez dokonywanie powiązań;
  • uczenie komplementarne: ponieważ każdy z rodzajów sztucznej inteligencji jest dobry w rozwiązywaniu odmiennych rodzajów problemów, jednoczesne zastosowanie wielu z nich jest kluczem do sukcesu. Uczenie komplementarne w kontekście aplikacji PQM obejmuje łączenie wszystkich mechanizmów sztucznej inteligencji: uczenia maszynowego, głębokiego uczenia i algorytmów kognitywnych. To one razem pozwalają pozyskać wiedzę na temat problemów z jakością czy potrzeb w zakresie konserwacji.

W efekcie, rozwiązanie PQM, które korzysta z uczenia komplementarnego, w pierwszej kolejności stosuje uczenie maszynowe i algorytmy deep learning, by odpowiedzieć na pytanie „Co jest problemem?”. Następnie algorytmy kognitywne pozwalają na udzielenie odpowiedzi na pytania takie jak: „Czy już to widziałem?”, „Jakiego rodzaju jest to problem?”, „Kto wie jak go naprawić?”, „Kto spowodował ten problem?” i „Czy to się powtórzy?”.

Wykorzystanie wirtualnej rzeczywistości na potrzeby utrzymania ruchu w fabrykach przyszłości

Firma ARVRTech zajmuje się rzeczywistością wirtualną i rozszerzoną. W jej rozumieniu, wirtualna rzeczywistość ma odegrania dwie ważne role w inteligentnych fabrykach: stymulować szkolenia pracowników w zakresie konserwacji oraz upraszczać wykonywane procesy.

Dzięki VR użytkownicy mogą wchodzić w wirtualne interakcje ze swoim otoczeniem i szybko oraz tanio przechodzić interaktywne szkolenia. W ten sposób pracownicy mogą nauczyć się czegoś na temat swojego miejsca pracy i maszyn, bez narażania swojego życia ani zdrowia oraz zwiększyć umiejętności obsługi kosztownych maszyn, zanim faktycznie zaczną ich używać.

Jedno z narzędzi firmy ARVRTech, Interactive 360 photo, polega na założeniu okularów VR i prowadzeniu użytkownika przez różne scenariusze zdarzeń w zakładzie przemysłowym. Użytkownicy mają wybór spośród dwóch opcji: konserwacji i szkolenia. W ramach konserwacji, dostępna jest lista krótkich lekcji, dotyczących takich operacji jak sprawdzenie jakości stali lub wymiana łożysk. Następnie pojawiają się bardziej precyzyjne polecenia, takie jak „wykorzystaj tester do zmierzenia grubości”, dzięki czemu użytkownicy krok po kroku przechodzą przez proces konserwacji.

Inne treści, prezentowane w wirtualnym modelu fabryki są po prostu bardzo realistyczne i pomagają użytkownikom zrozumieć, jak różne linie produkcyjne są ze sobą połączone i które problemy w codziennej pracy zakładu powinny być unikane za wszelką cenę ze względu na powagę ich konsekwencji.

Wirtualna rzeczywistość może być użyta w szkoleniach z zakresu utrzymania ruchu w fabrykach

Ilustracja 4: Wirtualna rzeczywistość może być użyta w szkoleniach z zakresu utrzymania ruchu w fabrykach

Konserwacja-jako-usługa

W publikacji „The Future of Maintenance”, przygotowanej przez Infosys, pojawia się sugestia, że podejście bazujące na danych pozwoli przenieść utrzymanie ruchu na wyższy poziom i że niedługo oferowanie konserwacji jako usługi stanie się normą. To podejście pozwoli na monitorowanie i zdalne naprawianie maszyn, a nawet potencjalnie na ich samoreperowanie się.

Pojawią się nowe modele biznesowe, w ramach których produkty nie będą sprzedawane za z góry ustaloną cenę, ale w oparciu o wydajność, jaką dane urządzenie jest w stanie dostarczyć. Producenci maszyn będą odpowiedzialni za działanie urządzenia i będą mieli pewność, że użytkownicy w maksymalnym stopniu wykorzystują dostarczony im sprzęt. W zamian będą otrzymywać dodatkowe wynagrodzenie, w oparciu o jakość świadczonych usług. Całkowity koszt posiadania stanie się jawnym, kluczowym elementem, decydującym o wartości danego rozwiązania.

Wnioski

Technologie IoT, dzięki dużej liczbie połączonych ze sobą placówek, które zbierają dane i prowadzą zaawansowane analizy, pozwalają uzyskać lepszy wgląd w stan fabryk i sprzętu – w czasie rzeczywistym. Umożliwia to prowadzenie znacznie bardziej efektywnych strategii konserwacji, bazując na tym co faktycznie się dzieje, zamiast opierać się na zgadywaniu, z użyciem statystyki.

Te nowe, bardziej efektywne metody utrzymania ruchu są pożądane przez fabryki, które starają się pozostać konkurencyjne poprzez redukcję przestojów.

Źródła

https://ww.aberdeen.com/techpro-essentials/stat-of-the-week-the-rising-cost-of-downtime

http://lifetime-reliability.com/free-articles/enterprise-asset-management/True_Cost_of_Failure.pdf

https://altizon.com/industrial-iot-game-changer-predictive-maintenance

https://hpreliability.com/completing-the-right-maintenance-at-the-right-time-with-cbm-pdm

https://en.wikipedia.org/wiki/Condition-based_maintenance

http://uk.farnell.com/wireless-technology

https://www.siemens.com/global/en/home/products/automation/products-for-specific-requirements/siplus-cms.html

http://a.fluke.com/Thermal-camera-UKEN

https://www.pce-instruments.com/english/measuring-instruments/test-meters/lux-meter-kat_40074_1.htm

https://www.suezwatertechnologies.com/applications/monitoring-analytics

https://www.mojix.com/iot-plant-safety-security

http://www.elektro.dtu.dk/english/news/2017/05/one-step-closer-to-self-healing-industrial-machines

https://www.oreilly.com/ideas/complementary-learning-for-ai-based-predictive-quality-and-maintenance

https://arvrtech.eu/blog/VR-for-training-and-maintenance-in-factories-of-the-future

https://www.infosys.com/industries/aerospace-defense/white-papers/Documents/enabled-predictive-maintenance.pdf

http://www.pressac.com/enocean-three-channel-ct-clamp-v3

Usprawnianie konserwacji i zwiększanie bezpieczeństwa dzięki narzędziom i danym IoT - Data publikacji: 15 października 2018 r. przez Farnell element14