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.
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.
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
- Érzékelés és adatgyűjtés prediktív karbantartási technológiák használatával (például termikus képalkotás vagy rezgés)
- Ezen adatok valós idejű továbbítása a hálózaton keresztül egy központi üzleti rendszerbe
- Intelligens technológiák, például mesterséges intelligencia és gépi tanulási elemzések alkalmazása ezekre az adatokra, hogy a lehető leghasznosabb és legrelevánsabb elemzéseket nyújtsuk
- 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.
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.
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.
Fedezze fel az SAP Predictive Asset Insights megoldást
Maximalizálja az eszközök teljesítményét modern prediktív karbantartási eszközökkel.
SAP Insights hírlevél
Feliratkozás ma
Kulcsfontosságú betekintést nyerhet hírlevelünkre való feliratkozással.