Ugrás a tartalomra
Prediktív karbantartási technológiák használata a vállalati eszközök teljesítményének optimalizálására

Mi az a prediktív karbantartás?

 

Ezt a weboldalt az Ön kényelme érdekében gépileg lefordították. Az SAP semmilyen garanciát nem vállal a gépi fordítás helyességére és teljességére vonatkozóan. Az eredeti angol weboldalt az oldal jobb felső sarkában található világtérkép segítségével lehet megtalálni.

A prediktív karbantartási technológiák lehetővé teszik, hogy megtudja, mit próbálnak elmondani a vállalati eszközei. A gyárakban lévő gépek, tehergépkocsi-flotta, az Ön ipari berendezései – évek óta beszélnek Önnel. Már elmondták, mikor készülnek a leállásra, és mit kell hosszabb és gördülékenyebb futásra bírniuk.  

 

A prediktív karbantartás lehetővé teszi a vállalatok számára, hogy előre jelezzék a hibákat, és ütemezzék a karbantartást, amikor és ahol arra azonnal szükség van. Olyan információkkal látja el a vállalkozásokat, amelyekre szükségük van ahhoz, hogy értékes eszközeikből a csúcsteljesítmény elérésére törekedjenek, ugyanakkor továbbra is bízik abban, hogy nem tolják őket túl messzire, és nem kockáztatják a költséges összeomlást.

Prediktív karbantartás meghatározása: A prediktív karbantartás célja a berendezések meghibásodásának és leállásának megelőzése az IoT által aktivált vállalati eszközök összekapcsolásával, fejlett analitikák alkalmazásával az általuk szállított valós idejű adatokon, és az ebből származó elemzések felhasználásával a tanított, költséghatékony és hatékony karbantartási protokollok tájékoztatására. 

Miért olyan fontos a prediktív karbantartás a mai vállalkozások számára?

A modern vállalkozások példátlan változások és verseny időszakában vannak. Az Amazon Effect a fogyasztói igények gyors emelkedéséhez vezetett az ellenőrzés, a személyre szabás és a gyorsaság iránt. A változó kereskedelmi és politikai légkör miatt sok vállalat küzd azzal, hogy megfizethető ellátási és gyártási kapcsolatokat tartson fenn. Ahogy egyre több vállalkozás megy keresztül a digitális átalakuláson, egyre nő a verseny, és egyre kisebb a hibahatár. Ennek eredményeképpen a mai üzleti vezetők intelligens megoldásokon keresztül igyekeznek versenyelőnyre szert tenni, ami megjósolja, mikor van szükség az eszközök karbantartására, segít növelni a költséghatékonyságot, és ésszerűsíteni a gyakran összetett vállalati eszközgazdálkodási követelményeiket. 

placeholder

A Svájci Szövetségi Vasutak használati esete

Hallgassa meg, hogyan segítette elő a prediktív karbantartás a működési kiválóság elérését.

Mi a különbség a reaktív, megelőző és prediktív karbantartás között?

A különbség ebben a három karbantartási modellben nem annyira abban rejlik, hogy a karbantartási feladatokat hogyan végzik el, hanem abban, hogy mikor.

  • Reaktív fenntartás: Ez lényegében a semmittevés cselekedete, amíg valami meg nem törik. Karbantartási stratégiaként ezt nyilvánvalóan nem gyakorolják a nagyvállalatok. Azonban nem kívánt gyakorlat lehet, ha bizonyos alkatrészek és alkotóelemek kimaradnak a hagyományos karbantartási menetrendek szabályos rotációjából. Reaktív karbantartás mindig a tény után történik.
  • Megelőző karbantartás: Ezt a múltbeli teljesítmény, valamint a mérnökök és az üzemeltetők tudása és tapasztalata tájékoztatja. Tartalmazza a rutin, periodikus, tervezett vagy időalapú karbantartást. Sőt, gyakran megakadályozza a leállásokat, de sajnos pontatlan is lehet, ami drága karbantartáshoz vezethet, mielőtt szükség lenne rá, vagy a karbantartási folyamat észrevétlen gyengeségeihez. A megelőző karbantartás előre beállított időpontokban történik, gyakran hosszú idő előtt.
  • Prediktív karbantartás: Ez akkor lehetséges, ha a dolgok internete (IoT) hálózatok minden vállalati eszközt integrálnak egy élő ökoszisztémába. Az adatok valós idejű átvitelének és elemzésének képessége azt jelenti, hogy az éles eszköz állapota – nem pedig a naptárak – válik a karbantartási protokollok alapjává. A prediktív karbantartás valós időben, pontosan akkor és ott történik, amikor és ahol szükség van rá.

Az alábbi (Deloitte-ből adaptált) ábra bemutatja a technológiai képességek alakulását az ipari forradalmakban, és ennek hatását a karbantartási stratégiákra és a berendezések hatékonyságára.

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

Hogyan működik a prediktív karbantartás és az IoT elemzések?

A prediktív karbantartási folyamat első lépése valós idejű adatok és információk gyűjtését foglalja magában a kapcsolódó IoT hálózati eszközökből az üzlet egészében. Ezeket az adatokat ezután úgy kell tárolni és kezelni, hogy könnyen feldolgozhatók, hozzáférhetők és elemezhetők legyenek. A „prediktív” komponens akkor játszik szerepet, amikor mesterséges intelligenciát (AI) és gépi tanulási technológiákat alkalmaznak az adatokra, hogy elkezdjen egy hasznos és jól használható történetet mesélni.

 

A prediktív karbantartás és az ipari IoT (IIoT) hálózat architektúrájának négy alapvető szakasza van:

A prediktív karbantartási folyamat négy lépése

A prediktív karbantartási folyamat

  1. Érzékelés és adatgyűjtés prediktív karbantartási technológiák használatával (például termikus képalkotás vagy rezgés)
  2. Ezen adatok valós idejű továbbítása a hálózaton keresztül egy központi üzleti rendszerbe
  3. Intelligens technológiák, például mesterséges intelligencia és gépi tanulási elemzések alkalmazása ezekre az adatokra, hogy a lehető leghasznosabb és legrelevánsabb elemzéseket nyújtsuk 
  4. Ezen adatvezérelt elemzések gyors megtétele a szükséges karbantartási és válaszprotokollok (emberi és automatizált) kialakítása érdekében

Eszközfeltételek felügyelete és a prediktív karbantartási technológiák kiaknázása

A prediktív karbantartást olyan kiberfizikai rendszerek teszik lehetővé, amelyek segítenek a gépeknek és a vállalati eszközöknek az intelligens IoT hálózatba való integrálásában. A nyomon követendő eszközfeltételek azonosításával, az érzékelők illesztésével és IoT-hálózat létrehozásával, végül pedig az ebből a hálózatból származó adatok összegyűjtésével és elemzésével valósulhat meg. A figyelemmel kísérendő feltételek azonosítása az első döntő lépés a vállalat vállalati eszközgazdálkodásának prediktív karbantartás révén történő átalakítása felé. 

 

Felügyeleti feltételek

 

Kezdetben a vezetőknek meg kell állapítaniuk azokat a feltételeket, amelyeket minden egyes gép esetében figyelni kell. Ez az elemzés lehet vizuális, hallási, termikus vagy – legjellemzőbben – e kritériumok és még több kombinációja. Ezen a ponton a technológiai lépés a megfelelő érzékelők és a beszerelendő ellenőrző eszközök meghatározásából áll: 

  • Vibrációs analízis: A rezgési minták kis változásai egyensúlyzavarra vagy helytelen beállításra utalhatnak, míg a magas vibrációs szintek közelgő csapadékra vagy más problémákra utalhatnak. A rezgéselemzés korai figyelmeztetést adhat a meghibásodásra, és különösen hasznos a kiegyensúlyozatlanság, a helytelen beállítás, a mechanikai lazaság, illetve a kopott vagy sérült alkatrészek észlelésében.

  • Hang- és ultrahanganalízis: Normál működés alatt a legtöbb rendszer egyenletes hangmintázatot hoz létre. A referencia-hangminta változásai a kopást vagy más típusú romlást jelezhetnek. Az ultrahangos elemzések a rendszer általános egészségi állapotáról is adhatnak információt, ha nagyfrekvenciás hangokat (például gőz- vagy levegőszivárgás által keltett hangokat) a hallható tartományba fordítanak.

  • Infravörös analízis: Az ultrahangos analízishez hasonlóan a termográfia is felfedi a rejtést infravörös analízis segítségével, hogy a hőmérséklet-változásokat látható spektrummá fordítsa. Még a normál üzemi hőmérséklet nagyon finom változásai is figyelmeztethetnek a közelgő problémákra.

  • Folyadékanalízis: A folyadékok fizikai és kémiai elemzése a hőmérséklet és a szintek egyszerű ellenőrzésén túl értékes információkkal szolgálhat a mechanikai komponensek állapotáról. A hűtő- és kenőanyagok lebomlási sebességét látva, amint ezek az elemzések indokolttá teszik, megelőző lépéseket lehet tenni.

  • Egyéb: A többi prediktív karbantartási technológia különböző egyedi ipari igényekre specializálódott. Ezek közé tartozik a lézeres beállítás, az elektromos áramkör monitorozása, a repedések észlelése, a korróziófigyelés, az elektromos ellenállás-változások és a korrózió vagy romlás mérésére szolgáló egyéb ágazatspecifikus eszközök.
Edit Table Feature Comparison Component
Edit Table Feature Comparison Component
Edit Table Feature Comparison Component
Edit Table Feature Comparison Component

Prediktív karbantartási technológiák

 

A fenti kritériumok megállapítását követően a megfelelő érzékelőket és monitorokat fel kell szerelni és csatlakoztatni kell egy központi üzleti rendszerhez, amely leggyakrabban vállalati erőforrás-tervező (ERP) rendszer, felhőhöz kötött IoT hálózaton keresztül. Végül, a szükséges MI által vezérelt szoftvermegoldásoknak rendelkezésre kell állniuk a különböző algoritmusok és elemzési folyamatok támogatásához, amelyek szükségesek ahhoz, hogy az összegyűjtött adatokból hasznosítható elemzéseket és ajánlásokat lehessen adni.

  • IoT hálózat:  Amikor a vállalati eszközök érzékelőkkel, feldolgozási képességekkel és más technológiákkal bővülnek, képesek adatokat küldeni és fogadni – általában felhőalapú kapcsolaton keresztül – egy központi üzleti rendszerbe. Ez egy IoT hálózatot foglal magában, és a prediktív karbantartási stratégia alapjául szolgál.

  • IoT átjárók: Sok régebbi eszköz még mindig tökéletesen működik, mégis analóg technológiájuk megelőzi a digitális integrációt. Ezeket a gépeket fel lehet szerelni IoT gateway eszközökkel, amelyek kamerákat, mikrofonokat és hőmérőket is tartalmazhatnak, hogy működési állapotukban valós idejű adatokat gyűjtsenek és továbbítsanak.

  • Felhőalapú kapcsolódás: A felhőalapú kapcsolódás biztosítja a számítógépes rendszer erőforrásainak igény szerinti rendelkezésre állását. Egy több ipari eszközből álló IoT-hálózatban kritikus fontosságú, hogy a többhelyszínes adatközpontok egyetlen adatbázisba és rendszerbe legyenek integrálva.

  • Modern adatbázis és ERP: A régi lemezalapú adatbázisok nincsenek jól felszerelve a Big Data és komplex adathalmazokat tartalmazó terjedelmes és nem lineáris adatok kezelésére. Továbbá a prediktív karbantartás mesterséges intelligenciát és gépi tanulást használ az ilyen adatokra vonatkozó fejlett analitikák elvégzéséhez. Ezt az egész folyamatot legjobban egy modern, AI-alapú ERP szolgálja ki, amelynek memórián belüli adatbázisa gyors, reszponzív és szinte végtelenül skálázható.

  • AI és gépi tanulás: A Pioneering számítógép tudós John McCarthy szerint az AI „az intelligens gépek gyártásának tudománya és mérnöke”. A gépi tanulás az AI egy részhalmaza, amely algoritmusokat használ az adatok elemzésére és megértésére. A prediktív karbantartási megoldások a mesterséges intelligenciától és a gépi tanulástól függnek nemcsak a vállalati eszközök működési adatainak rendezéséhez, megértéséhez és az azokból való tanuláshoz, hanem attól is, hogy erre a tudásra extrapolálódjanak a végrehajtható ajánlásokkal és elemzésekkel.

  • Intelligens analitika: mesterséges intelligencia és gépi tanulási teljesítmény fejlett analitika. A vezetőknek meg kell határozniuk az értékelendő attribútumokat és feltételeket, valamint a kívánt elemzési eredményeket. Ily módon a fejlett analitikákat informáló algoritmusok programozhatók úgy, hogy azok a lehető legalaposabbak és a lehető leghasznosabbak legyenek, és a lehető legjobban tanuljanak az adatokból és az új élményekből az idő múlásával.

  • Digitális ikrek: Egy digitális iker csak ennyi: egy tényleges fizikai eszköz virtuális kikapcsolódása. A digitális ikrek létrehozásával a vezetők felkereshetik az ikrek bármely lehetséges üzemeltetési forgatókönyvét, anélkül, hogy a költséges gépben vagy eszközben tényleges valós károsodás lépne fel. Ez elősegíti a prediktív karbantartás fokozását azáltal, hogy lehetővé teszi a gépi tanulás és a mesterséges intelligencia eszközök számára, hogy beépítsék azokat az élményeket és tanuljanak azokból az élményekből, amelyek még soha nem is történtek.

Prediktív karbantartási használati esetek példái

  • Olaj- és gázágazat: Az olajfúrás hatalmas terhet ró az eszközökre, és meghibásodás esetén nagy kockázathoz és veszélyhez vezethet. Az olajhőmérséklet változásainak és a fúróberendezések sebességváltozásainak valós idejű nyomon követésével a prediktív karbantartás jelentősen javította a biztonságot, és akár 38%-kal is csökkentette a karbantartási költségeket.
  • Autóipar: Összeszerelő vonalakon a szúrópénz lövegek naponta mintegy 15 000 azonnali varrást teljesítenek. A hegesztőfegyverek világszerte történő összekapcsolása és működési adatainak gyűjtése révén az autógyártók több millió adatpontot gyűjthetnek, ami példátlan előrejelzési pontossághoz vezet ezen eszközök állapotában és állapotában.
  • Háztartási készülékgyártás: A szárító gyártási folyamatában a dob forgásának rezgésmérése hozzájárult a meghibásodás vagy meghibásodás előrejelzéséhez. Ez a prediktív karbantartási alkalmazás 33%-kal kiküszöbölte a gyártási hibákat, és 27%-kal csökkentette a fogyasztók karbantartási költségeit.
  • Vasúti vagyonkezelés: a »Voids« akkor fordul elő, ha egy üres tér olyan pálya alatt alakul ki, amely esetleges késéshez vagy akár kisikláshoz vezet. A közelmúlt újításai olyan vezetőfülke-alapú ellenőrző rendszereket eredményeztek, amelyek számos változót képesek észlelni a síneken való áthaladáskor. Ez az érvénytelenség jobb felismeréséhez és az ügyfelek biztonságának általános növekedéséhez vezetett.
  • Acélipar: Az anomáliaérzékelést arra használják, hogy az acélfeldolgozás során használt hideghengerelt berendezésekben a rezgés, a forgási sebesség és az elektromos áram (amperek) valós idejű leolvasásait összegyűjtsék. Ez az alkalmazás a berendezések élettartamának 60%-os javulásához vezetett, és nagymértékben csökkentette a leállások és késések miatti veszteségeket.

A prediktív karbantartás előnyei

A prediktív karbantartási rendszerek bevezetése több iparágban is figyelemre méltó eredményekhez vezetett.

A prediktív karbantartás 25%-kal növeli a termelékenységet, 70%-kal csökkenti a leállásokat, és 25%-kal csökkenti a karbantartási költségeket.

Deloitt

Érdekes módon a prediktív karbantartás ötlete nem újdonság. A vállalkozások évtizedek óta igyekeznek nagyobb kiszámíthatóságot elérni eszközkarbantartásuk terén – de olyan technológiák, mint a mesterséges intelligencia és a modern ERP-rendszerek térnyerését vette igénybe, hogy biztosítsák a valóban működő prediktív karbantartási megoldások eléréséhez szükséges kapacitást és funkcionalitást. Ennek előnyei közé tartozik:  

  • Jobb átláthatóság a teljes működés során: A helyszíni és egyéb, helyszínen kívüli eszközök jobb áttekinthetősége. Ez lehetővé teszi az eredetiberendezés-gyártók és harmadik fél szolgáltatók számára, hogy jobb értéket és tájékozottabb szolgáltatásokat nyújtsanak.
  • Alacsonyabb karbantartási költségek és jobb eszközteljesítmény: A prediktív karbantartás következetesen a meglévő erőforrások jobb kihasználásához, az állásidő csökkenéséhez és az értékes eszközök élettartamának meghosszabbításához vezet.
  • Hatékonyabb csoportok: Amikor az eszközkezelőket, szolgáltatókat és ellátásilánc-menedzsereket adattudomány és valós idejű elemzések veszik fel, azok a működőképes karbantartási ütemterveket alakíthatják ki – a tűzoltók helyett tervezővé és stratégiává válhatnak. 

Az ellátási lánc prediktív karbantartási megoldásokkal történő átalakításának következő lépései

Sok vállalkozás évtizedek óta nem változtatott eszközkarbantartási stratégiáján – annak ellenére, hogy üzleti tevékenységének más területeit korszerűsítette. A régóta fennálló folyamatok megváltoztatása kihívást jelent, és nehéz lehet a csapatoktól kivásárolni. A legsikeresebb üzleti átalakítási tervek jó kommunikációs és változáskezelési stratégiával indulnak – ezzel segítve csapatai bevonását és a silók lebontását. Beszéljen szoftverszállítójával, ha többet szeretne megtudni arról, hogy mely eszközök és megoldások működnek a legjobban egyedi igényei szerint, és görgessen az útitervhez és a digitális átalakításhoz.

placeholder

Fedezze fel az SAP Predictive Asset Insights megoldást

Maximalizálja az eszközök teljesítményét modern prediktív karbantartási eszközökkel.

SAP Insights hírlevél

placeholder
Feliratkozás ma

Kulcsfontosságú betekintést nyerhet hírlevelünkre való feliratkozással.

További olvasás

Az oldal tetejére