Přejít na obsah
Používání technologií prediktivní údržby k optimalizaci výkonnosti podnikových aktiv

Co je to prediktivní údržba?

 

Tato webová stránka byla pro vás přeložena strojovým překladem. Společnost SAP neposkytuje žádné záruky správnosti nebo úplnosti strojového překladu. Původní anglickou webovou stránku najdete pomocí mapy světa v pravém horním rohu této stránky.

Prediktivní technologie údržby vám umožní dozvědět se, co se vám váš podnikový majetek snaží sdělit. Stroje ve vašich továrnách, váš vozový park, vaše průmyslové vybavení – spolu s vámi mluví už léta. Říkají vám, kdy se chystají zbourat a co potřebují, aby běželi déle a plynuleji.  

 

Prediktivní údržba umožňuje podnikům předvídat poruchy a plánovat údržbu, když a kde je to okamžitě potřeba. Značí podniky informacemi, které potřebují k tomu, aby ze svých cenných aktiv prosazovaly špičkovou výkonnost, a přesto si jsou jisti, že je příliš netlačí a riskují nákladné výpadky.

Definice prediktivní údržby: Prediktivní údržba se snaží předcházet poruchám a výpadkům vybavení propojením podnikových prostředků podporovaných IoT, použitím rozšířené analýzy na data, která dodávají v reálném čase, a použitím výsledných analýz k informování o vzdělaných, nákladově efektivních a efektivních protokolech údržby. 

Proč je prediktivní údržba pro dnešní podniky tak důležitá?

Moderní podniky jsou v době nevídaných změn a konkurence. Amazon Effect vedl k rychlému nárůstu spotřebitelských požadavků na kontrolu, personalizaci a rychlost. Pohyblivé obchodní a politické klima zanechalo mnoho společností, které se potýkají s udržováním cenově dostupných dodavatelských a výrobních vztahů. A vzhledem k tomu, že stále více podniků prochází digitální transformací, roste konkurence a prostor pro chyby je stále menší. V důsledku toho dnešní obchodní lídři usilují o získání konkurenční výhody díky chytrým řešením, která předpovídají, kdy je potřeba údržba majetku, pomáhají zvyšovat efektivitu nákladů a zjednodušují často složité požadavky na správu podnikových aktiv. 

Případ
použití Swiss Federal Railways

Poslechněte si, jak prediktivní údržba pomohla dosáhnout provozní dokonalosti.

Jaký je rozdíl mezi reaktivní, preventivní a prediktivní údržbou?

Rozdíl v těchto třech modelech údržby nespočívá ani tak v tom, jak jsou prováděny úlohy údržby, ale v tom, kdy.

  • Reaktivní údržba: To je v podstatě akt ničeho nedělat, dokud se něco nezlomí. Jako strategie údržby to obvykle nepraktikují velké firmy z pochopitelných důvodů. Může se však jednat o nezamýšlenou praxi, pokud jsou některé části a součásti vynechány z pravidelného střídání tradičních harmonogramů údržby. Reaktivní údržba probíhá vždy po faktu.
  • Preventivní údržba: Je to podloženo minulým výkonem a znalostmi a zkušenostmi inženýrů a operátorů. Zahrnuje rutinní, periodickou, plánovanou nebo časovou údržbu. Často totiž zabraňuje výpadkům, ale bohužel může být neexaktní, což může vést k nákladné údržbě dříve, než bude potřeba, nebo k nepozorovaným nedostatkům v procesu údržby. Preventivní údržba se odehrává v časech, které jsou přednastavené, často dlouho předem.
  • Prediktivní údržba: To je možné, když sítě Internet of Things (IoT) integrují všechny podnikové prostředky do živého ekosystému. Schopnost přenášet a analyzovat data v reálném čase znamená, že stav živého majetku – spíše než kalendáře – se stává základem pro protokoly údržby. Prediktivní údržba se provádí v reálném čase, přesně kdy a kde je potřeba.

Následující graf (přizpůsobený z Deloitte) zobrazuje průběh technologických schopností v průběhu průmyslových revolucí a výsledný dopad na strategie údržby a efektivitu vybavení.

Edit Table Feature Comparison Component
Edit Table Feature Comparison Component
Edit Table Feature Comparison Component

Jak funguje prediktivní údržba a analýza IoT?

První krok v procesu prediktivní údržby zahrnuje sběr dat a informací v reálném čase z propojených prostředků sítě IoT napříč celým podnikem. Tato data pak musí být uložena a spravována tak, aby mohla být snadno zpracována, zpřístupněna a analyzována. „Prediktivní“ komponenta vstupuje do hry, když jsou na data aplikovány technologie umělé inteligence (AI) a strojového učení, aby začaly vyprávět užitečný a akční příběh.

 

K architektuře prediktivní údržby existují čtyři základní fáze a průmyslová síť IoT (IIoT):

Čtyři kroky procesu prediktivní údržby

Proces prediktivní údržby

  1. Snímání a shromažďování dat pomocí technologií prediktivní údržby (například tepelné zobrazování nebo vibrace)
  2. Přenos těchto dat v reálném čase přes síť do centrálního podnikového systému
  3. Použití inteligentních technologií, jako je umělá inteligence a analýzy strojového učení, pro získání nejužitečnějších a relevantních přehledů 
  4. Přijetí rychlých opatření týkajících se přehledů založených na údajích s cílem stanovit požadované protokoly údržby a reakce (jak lidské, tak automatické)

Monitorování podmínek aktiv a využívání technologií prediktivní údržby

Prediktivní údržba je umožněna prostřednictvím kyberfyzikálních systémů, které pomáhají integrovat stroje a podnikové prostředky do inteligentní sítě IoT. Začíná identifikací podmínek zařízení, které je třeba monitorovat, poté montáží snímačů a vytvořením sítě IoT a konečně shromažďováním a analýzou dat z této sítě, aby bylo možné poskytnout proveditelná zjištění a přehledy. Identifikace těchto podmínek, které mají být monitorovány, je prvním zásadním krokem k transformaci správy podnikových aktiv prostřednictvím prediktivní údržby. 

 

Podmínky monitorování

 

Zpočátku musí manažeři stanovit podmínky, které je třeba u každého stroje sledovat. Tato analýza může být vizuální, zvuková, tepelná nebo – nejčastěji – kombinace těchto kritérií a další. Technologický krok v tomto bodě spočívá v určení správných snímačů a monitorovacích nástrojů, které mají být namontovány: 

  • Analýza vibrací: malé změny ve schématech vibrací mohou ukazovat na nerovnováhu nebo vychýlení, zatímco vysoké hladiny vibrací mohou ukazovat na hrozící úraz nebo jiné problémy. Vibrační analýza může poskytnout včasné varování o poruše a je zvláště užitečná při detekci nerovnováhy, nesouladu, mechanické uvolněnosti nebo nošených či poškozených částí.

  • Zvuková a ultrazvuková analýza: Za normálního provozu většina systémů vytváří parádní zvukové vzory. Změny referenčního akustického vzorce mohou znamenat opotřebení nebo jiné typy poškození. Ultrazvukové analýzy mohou také poskytnout informace o celkovém zdravotním stavu systému promítnutím vysokofrekvenčních zvuků (jako jsou zvuky produkované párou nebo únikem vzduchu) do slyšitelného rozsahu.

  • Infračervená analýza: Stejně jako u ultrazvukové analýzy, termografie také odkrývá skryté pomocí infračervené analýzy k převedení teplotních změn do viditelného spektra. I velmi jemné změny běžných provozních teplot mohou varovat před hrozícími problémy.

  • Analýza tekutin: Kromě pouhého sledování hladin a teploty může fyzikální a chemická analýza tekutin poskytnout cenné informace o stavu mechanických složek. Viděním míry degradace v chladičích a mazivech lze podniknout preventivní kroky, jakmile si tyto poznatky vyžádají.

  • Ostatní: Další technologie prediktivní údržby jsou specializované na různé unikátní průmyslové potřeby. Patří mezi ně: laserové seřízení, monitorování elektrických obvodů, detekce trhlin, monitorování koroze, změny elektrického odporu a další oborově specifické prostředky pro měření koroze nebo zhoršení.
Edit Table Feature Comparison Component
Edit Table Feature Comparison Component
Edit Table Feature Comparison Component
Edit Table Feature Comparison Component

Technologie prediktivní údržby

 

Jakmile jsou stanovena výše uvedená kritéria, musí být příslušné snímače a monitory nainstalovány a připojeny k centrálnímu podnikovému systému, nejčastěji systému plánování podnikových zdrojů (ERP), prostřednictvím cloudové připojené sítě IoT. V neposlední řadě musí být zavedena nezbytná softwarová řešení založená na umělé inteligenci, která podpoří různé algoritmy a analytické procesy nezbytné k poskytnutí realizovatelných přehledů a doporučení ze shromážděných dat.

  • Síť IoT:  Pokud jsou podnikové prostředky rozšířeny o senzory, možnosti zpracování a další technologie, jsou schopny odesílat a přijímat data – obvykle prostřednictvím připojení k cloudu – do a z centrálního podnikového systému. Zahrnuje síť IoT a je základem strategie prediktivní údržby.

  • Brány IoT: Mnoho starších aktiv stále funguje výborně, přesto jejich analogová technologie předchází digitální integraci. Tyto stroje mohou být vybaveny IoT gateway zařízeními, která mohou zahrnovat kamery, mikrofony a teploměry, pro shromažďování a přenos dat o jejich provozních stavech v reálném čase.

  • Konektivita pro cloud: Konektivita cloudu zajišťuje dostupnost zdrojů počítačových systémů na vyžádání. V síti IoT, která se skládá z více průmyslových aktiv, je zásadní, aby byla vícelokační datová centra integrována do jediné databáze a systému.

  • Moderní databáze a ERP: Starší databáze na disku nejsou dobře vybaveny pro správu objemných a nelineárních dat, která zahrnují velká data a komplexní datové soubory. Prediktivní údržba navíc využívá umělou inteligenci a strojové učení k provádění pokročilých analýz takových dat. Celému tomuto procesu nejlépe slouží moderní ERP s in-memory databází, která je rychlá, responzivní a téměř nekonečně škálovatelná.

  • AI a strojové učení: Pionýrský informatik John McCarthy definuje AI jako „vědu a inženýrství výroby inteligentních strojů“. Strojové učení je podmnožina umělé inteligence, která používá algoritmy k analýze a pochopení dat. Řešení prediktivní údržby jsou závislá na umělé inteligenci a strojovém učení nejen pro třídění, pochopení a učení z provozních dat podnikových prostředků, ale také pro extrapolaci těchto znalostí pomocí použitelných doporučení a analýz.

  • Rozšířené analytické nástroje: umělá inteligence a strojové učení podporují pokročilé analýzy. Manažeři musí určit atributy a podmínky, které mají být posouzeny, a požadované analytické výsledky. Tímto způsobem lze algoritmy, které informují pokročilou analytiku, naprogramovat tak, aby byly co nejpřehlednější a nejakceschopnější a aby se v průběhu času co nejlépe poučily z dat a nových zkušeností.

  • Digitální dvojčata: Digitální dvojče je jen to: virtuální rekreace skutečného fyzického aktiva. Vytvořením digitálních dvojčat mohou manažeři navštívit jakýkoli možný provozní scénář s dvojčetem – bez rizika skutečného poškození nákladného stroje nebo zařízení v reálném provozu. To pomáhá rozšířit prediktivní údržbu tím, že umožňuje strojovému učení a nástrojům umělé inteligence integrovat zkušenosti, které se nikdy nestaly, a poučit se z nich.

Příklady případů použití prediktivní údržby

  • Ropný a plynárenský sektor: Vrtání ropy přináší obrovské opotřebení majetku a může vést k velkému riziku a nebezpečí v případě neúspěchu. Díky sledování změn teploty oleje v reálném čase a rychlosti převodovek ve vrtných zařízeních prediktivní údržba výrazně zvýšila bezpečnost a snížila náklady na údržbu až o 38 %.
  • Automobilový průmysl: Na montážních linkách provádí spot-svařovací děla každý den asi 15 000 spotových svarů. Propojením svařovacích pistolí po celém světě a shromažďováním provozních dat mohou výrobci automobilů shromáždit miliony datových bodů, což vede k nebývalé prediktivní přesnosti stavu a stavu těchto aktiv.
  • Domácí výroba spotřebičů: Měření kmitání rotace bubnu v procesu výroby sušičky pomohlo předpovědět poruchu nebo poruchu. Tato aplikace prediktivní údržby odstranila výrobní vady o 33 % a snížila náklady spotřebitelů na údržbu o 27 %.
  • Správa majetku železnic: „Voidy“ nastávají, když se pod dráhou vyvine prázdný prostor vedoucí k možnému zpoždění nebo dokonce vykolejení. Nedávné inovace vedly ke kabinovým monitorovacím systémům, které mohou detekovat řadu proměnných při jejich procházení kolejnicemi. To vedlo ke zlepšení detekce neplatnosti a celkovému zvýšení bezpečnosti zákazníků.
  • Ocelářský průmysl: Detekce anomálií se používá ke sběru údajů o vibracích, otáčkách a elektrickém proudu (ampérech) v zařízeních pro válcování za studena používaných při zpracování oceli v reálném čase. Tato aplikace vedla k 60% zlepšení životnosti vybavení a výrazně snížila ztráty v důsledku odstávek a zpoždění.

Výhody prediktivní údržby

Implementace systémů prediktivní údržby vedla k impozantním výsledkům ve více odvětvích.

Je zajímavé, že myšlenka prediktivní údržby není nic nového. Po celá desetiletí se podniky snažily dosáhnout větší předvídatelnosti v údržbě svých aktiv – ale vzrůstá počet technologií, jako je umělá inteligence a moderní ERP systémy, aby poskytly kapacitu a funkce potřebné k dosažení skutečně fungujících řešení prediktivní údržby. Mezi jejich přínosy patří:  

  • Lepší přehlednost celého provozu: Lepší přehlednost terénních i jiných prostředků mimo pracoviště. To umožňuje výrobcům původních zařízení a poskytovatelům služeb třetích stran nabízet lepší hodnotu a informovanější služby.
  • Nižší náklady na údržbu a zlepšený výkon majetku: Prediktivní údržba konzistentně vede k lepšímu využití stávajících zdrojů, zkrácení prostojů a prodloužení životnosti cenných aktiv.
  • Zmocněnější týmy: Pokud jsou provozovatelé aktiv, poskytovatelé služeb a manažeři dodavatelských řetězců vyzbrojeni datovou vědou a analytickými nástroji v reálném čase, mohou vypracovat plány údržby, které fungují – stávají se spíše plánovači a stratégy než hasiči. 

Další kroky k transformaci dodavatelského řetězce pomocí řešení prediktivní údržby

Mnoho podniků za desetiletí nezměnilo své strategie údržby majetku, přestože modernizovaly jiné oblasti svého podnikání. Změna dlouhodobých procesů je náročná a může být obtížné získat od svých týmů náhradní koupi. Nejúspěšnější plány transformace podniku začínají dobrou strategií komunikace a řízení změn – s cílem pomoci zapojit své týmy a rozbít sila. Informujte svého dodavatele softwaru, abyste se dozvěděli více o tom, které nástroje a řešení budou fungovat nejlépe pro vaše jedinečné potřeby, a získáte přehled o své cestě k itineráři a digitální transformaci.

Prozkoumat SAP Predictive Asset Insights

Maximalizujte výkonnost svých aktiv pomocí moderních nástrojů prediktivní údržby.

Newsletter SAP Insights

Přihlásit se k odběru dnes

Získejte důležité informace přihlášením k odběru našeho newsletteru.

Další čtení

Zpět na začátek