Czym jest obsługa prognostyczna?
Technologie predykcyjnej gospodarki remontowej umożliwiają zapoznanie się z informacjami o aktywach przedsiębiorstwa. Maszyny w twoich fabrykach, twojej flocie ciężarówek, Twoim sprzęcie przemysłowym – rozmawiają z Tobą od lat. Mówili ci, kiedy mają się rozerwać i co muszą dłużej i sprawniej biegać.
Prognozowana gospodarka remontowa pozwala firmom przewidywać awarie i planować serwisowanie w odpowiednim czasie i miejscu. Dostarcza przedsiębiorstwom informacji, których potrzebują, by domagać się maksymalnych wyników ze strony ich cennych aktywów, ale nadal ma pewność, że nie popychają ich zbyt daleko i ryzykują kosztowną awarią.
Definicja prognozowanej gospodarki remontowej: predykcyjna gospodarka remontowa ma na celu zapobieganie awariom i przestojom urządzeń poprzez połączenie aktywów przedsiębiorstwa wykorzystujących Internet rzeczy, zastosowanie zaawansowanych analiz do dostarczanych przez nie danych w czasie rzeczywistym oraz wykorzystanie wynikających z nich analiz do uzyskania informacji na temat wykształconych, opłacalnych i efektywnych protokołów serwisowania.
Dlaczego prognozowana konserwacja jest tak ważna dla dzisiejszych firm?
Współczesne przedsiębiorstwa są w czasach bezprecedensowych zmian i konkurencji. Efekt Amazona doprowadził do szybkiego wzrostu popytu konsumentów na kontrolę, personalizację i szybkość. Zmieniający się klimat handlowy i polityczny sprawił, że wiele przedsiębiorstw ma trudności z utrzymaniem tanich relacji w zakresie dostaw i produkcji. W miarę jak coraz więcej przedsiębiorstw przechodzi transformację cyfrową, rośnie konkurencja, a margines błędu jest coraz mniejszy. W rezultacie dzisiejsi liderzy biznesowi chcą zdobyć przewagę nad konkurencją dzięki inteligentnym rozwiązaniom, które przewidują, kiedy konieczne jest utrzymanie zasobów, pomagają zwiększyć efektywność kosztową i upraszczają często złożone wymagania w zakresie zarządzania zasobami przedsiębiorstwa.
Przypadek
użycia szwajcarskich kolei federalnych
Posłuchaj, jak obsługa predykcyjna pomogła osiągnąć doskonałość operacyjną.
Jaka jest różnica między obsługą reaktywną, prewencyjną i prognostyczną?
Różnica między tymi trzema modelami obsługi polega nie tyle na tym, jak wykonywane są zadania obsługi, ale na tym, kiedy.
- Obsługa reaktywna: Jest to zasadniczo czynność polegająca na niepodejmowaniu żadnych działań, dopóki coś się nie zepsuje. W ramach strategii obsługi nie jest to zazwyczaj praktykowane przez duże firmy z oczywistych powodów. Jednakże niezamierzona praktyka może polegać na tym, że niektóre części i komponenty nie są objęte regularną rotacją tradycyjnych harmonogramów obsługi technicznej. Obsługa reaktywna zawsze następuje po fakcie.
- Obsługa profilaktyczna: Na tym polega dotychczasowa wydajność oraz wiedza i doświadczenie inżynierów i operatorów. Obejmuje serwisowanie rutynowe, okresowe, planowane lub zależne od czasu. Często zapobiega ona awariom, ale niestety może być niedokładna, co może prowadzić do kosztownej konserwacji zanim będzie potrzebna, lub do niezauważonych słabości procesu utrzymania. Obsługa profilaktyczna odbywa się w określonych z góry momentach, często z dużym wyprzedzeniem.
- Prognozowana konserwacja: Jest to możliwe, gdy sieci Internetu rzeczy (IoT) integrują wszystkie zasoby przedsiębiorstwa w ramach aktywnego ekosystemu. Możliwość przesyłania i analizowania danych w czasie rzeczywistym oznacza, że raczej stan aktywów w czasie rzeczywistym niż kalendarze staje się podstawą protokołów serwisowania. Prognozowana gospodarka remontowa odbywa się w czasie rzeczywistym, dokładnie wtedy i gdzie jest potrzebna.
Poniższy wykres (dostosowany z Deloitte) przedstawia postęp możliwości technologicznych w całym okresie rewolucji przemysłowej oraz wynikający z tego wpływ na strategie obsługi i efektywność urządzeń.
Jak działa obsługa prognostyczna i analiza IoT?
Pierwszy krok w procesie prognozowanej gospodarki remontowej obejmuje gromadzenie danych i informacji w czasie rzeczywistym z połączonych zasobów sieci IoT w całej firmie. Dane te muszą być następnie przechowywane i zarządzane w taki sposób, aby można je było łatwo przetwarzać, otwierać i analizować. Komponent „predykcyjny” wkracza w grę, gdy do danych stosowane są technologie sztucznej inteligencji (AI) i uczenia maszynowego, które sprawiają, że zaczynają one opowiadać przydatną i przydatną historię.
Architektura prognozowanej konserwacji i przemysłowa sieć IoT (IIoT) mają cztery podstawowe etapy:
Proces prognozowanej gospodarki remontowej
- Czujkowanie i gromadzenie danych za pomocą technologii obsługi prognostycznej (np. obrazowanie termiczne lub drgania)
- Przekazywanie tych danych w czasie rzeczywistym w ramach sieci do centralnego systemu biznesowego
- Stosowanie w danych inteligentnych technologii, takich jak sztuczna inteligencja i analityka uczenia maszynowego, w celu uzyskania najbardziej przydatnych i przydatnych informacji
- Szybkie podejmowanie działań w oparciu o te oparte na danych analizy w celu ustalenia wymaganych protokołów obsługi technicznej i reagowania (zarówno ludzkich, jak i zautomatyzowanych)
Monitorowanie stanu zasobów i wykorzystanie technologii predykcyjnej konserwacji
Prognozowana konserwacja jest możliwa dzięki systemom cyberfizycznym, które pomagają zintegrować maszyny i zasoby przedsiębiorstwa z inteligentną siecią IoT. Rozpoczyna się od identyfikacji warunków aktywów trwałych, które należy monitorować, a następnie zamontowania czujników i utworzenia sieci IoT, a na koniec od gromadzenia i analizowania danych z tej sieci w celu uzyskania przydatnych wyników i wglądów. Identyfikacja tych warunków, które mają być monitorowane, jest pierwszym kluczowym krokiem w kierunku przekształcenia zarządzania aktywami przedsiębiorstwa poprzez prognozowaną konserwację.
Warunki monitorowania
Początkowo menedżerowie muszą ustalić warunki, które muszą być monitorowane dla każdej maszyny. Analiza ta może być wizualna, słuchowa, termiczna lub – najczęściej – kombinacja tych kryteriów i wiele innych. Etap technologiczny na tym etapie polega na określeniu prawidłowych czujników i narzędzi monitorujących, które mają być zamontowane:
- Analiza wibracji: Niewielkie zmiany we wzorcach drgań mogą wskazywać na brak równowagi lub niewspółosiowość, natomiast wysokie poziomy drgań mogą wskazywać na zbliżające się łożysko lub inne problemy. Analiza wibracji może dawać wczesne ostrzeżenia przed awarią i jest szczególnie przydatna w wykrywaniu dysproporcji, niewspółosiowości, luźności mechanicznej lub zużytych lub uszkodzonych części.
- Analiza dźwiękowa i ultradźwiękowa: W trakcie normalnego działania większość systemów tworzy stałe wzorce dźwięku. Zmiany wzorców dźwięku odniesienia mogą wskazywać na zużycie lub inne rodzaje zepsucia. Analizy ultradźwiękowe mogą również dostarczyć informacji na temat ogólnego stanu zdrowia układu poprzez przełożenie dźwięków o wysokiej częstotliwości (takich jak te wytwarzane przez parę lub przecieki powietrza) na dźwiękowy zakres.
- Analiza w podczerwieni: Podobnie jak w przypadku analizy ultradźwiękowej termografia odkrywa również ukryte dzięki wykorzystaniu analizy podczerwieni do przełożenia zmian temperatury na widmo widzialne. Nawet bardzo subtelne zmiany normalnych temperatur eksploatacyjnych mogą ostrzegać przed zbliżającymi się problemami.
- Analiza płynów: Poza zwykłym monitorowaniem poziomów i temperatury fizyczna i chemiczna analiza płynów może dostarczyć cennych informacji o stanie składników mechanicznych. Widząc tempo degradacji w cieczy chłodzącej i smarach, można podjąć kroki zapobiegawcze, gdy tylko będzie to uzasadnione.
- Inne: inne technologie zapobiegawczej konserwacji wyspecjalizowane są w różnych unikalnych potrzebach przemysłowych. Obejmują one: ustawienie laserowe, monitorowanie obwodu elektrycznego, wykrywanie pęknięć, monitorowanie korozji, zmiany odporności elektrycznej i inne specyficzne dla branży środki pomiaru korozji lub pogorszenia jakości.
Technologie predykcyjnej konserwacji
Po określeniu powyższych kryteriów odpowiednie czujniki i monitory muszą być zainstalowane i podłączone do centralnego systemu biznesowego, najczęściej systemu planowania zasobów przedsiębiorstwa (ERP), za pośrednictwem połączonej w chmurze sieci IoT. Wreszcie, niezbędne są rozwiązania oparte na sztucznej inteligencji, które zapewnią wsparcie dla różnych algorytmów i procesów analitycznych niezbędnych do zapewnienia przydatnych informacji i rekomendacji na podstawie zgromadzonych danych.
- Sieć IoT: Gdy zasoby przedsiębiorstwa są powiększane o czujniki, możliwości przetwarzania i inne technologie, mogą wysyłać i odbierać dane – zazwyczaj poprzez łączność w chmurze – do i z centralnego systemu biznesowego. Obejmuje to sieć IoT i stanowi podstawę strategii prognozowanej gospodarki remontowej.
- Bramki IoT: Wiele starszych zasobów nadal działa doskonale, ale ich technologia analogowa poprzedza integrację cyfrową. Maszyny te mogą być wyposażone w urządzenia bramki IoT, które mogą obejmować kamery, mikrofony i termometry do gromadzenia i przesyłania danych w czasie rzeczywistym na temat ich stanu operacyjnego.
- Łączność w chmurze: połączenie w chmurze zapewnia dostępność zasobów systemu komputerowego na żądanie. W sieci IoT składającej się z wielu aktywów przemysłowych kluczowe znaczenie ma zintegrowanie centrów danych z wieloma lokalizacjami w jedną bazę danych i system.
- Nowoczesna baza danych i ERP: Stare bazy danych oparte na dyskach nie są dobrze wyposażone do zarządzania obszernymi i nieliniowymi danymi, które obejmują Big Data i złożone zbiory danych. Ponadto obsługa predykcyjna wykorzystuje sztuczną inteligencję i uczenie maszynowe do wykonywania zaawansowanych analiz takich danych. Ten cały proces najlepiej obsługuje nowoczesny system ERP oparty na sztucznej inteligencji z bazą danych in-memory, która jest szybka, responsywna i niemal nieskończenie skalowalna.
- Sztuczna inteligencja i uczenie maszynowe: pionierski informatyk John McCarthy definiuje sztuczną inteligencję jako „naukę i inżynierię tworzenia inteligentnych maszyn”. Uczenie maszynowe to podzbiór sztucznej inteligencji, który wykorzystuje algorytmy do analizy i analizy danych. Rozwiązania do predykcyjnej gospodarki remontowej zależą od sztucznej inteligencji i uczenia maszynowego, które umożliwiają nie tylko sortowanie, zrozumienie i uczenie się na podstawie danych operacyjnych aktywów przedsiębiorstwa, ale także ekstrapolację tej wiedzy za pomocą praktycznych rekomendacji i analiz.
- Zaawansowana analityka: zaawansowane analizy AI i uczenia maszynowego. Menedżerowie muszą określić atrybuty i warunki do oceny oraz pożądane wyniki analiz. W ten sposób algorytmy informujące o zaawansowanych analizach mogą być zaprogramowane w taki sposób, aby były jak najbardziej wnikliwe i skuteczne oraz aby jak najlepiej uczyć się na podstawie danych i nowych doświadczeń w czasie.
- Cyfrowe bliźniaczki: Cyfrowe bliźniacze to tylko to, że: wirtualne odtworzenie rzeczywistego zasobu fizycznego. Tworząc cyfrowe bliźniaczki, menedżerowie mogą od bliźniaczki odwiedzać dowolny możliwy scenariusz operacyjny – bez ryzyka rzeczywistego uszkodzenia kosztownej maszyny lub urządzenia. Pomaga to usprawnić obsługę prognostyczną, umożliwiając uczeniu maszynowemu i narzędziom sztucznej inteligencji uwzględnienie doświadczeń, które nigdy jeszcze nie miały miejsca.
Przykłady przypadków użycia opracowania predykcyjnego
- Sektor naftowy i gazowy: Odwierty naftowe powodują ogromne zużycie aktywów i mogą prowadzić do dużego ryzyka i zagrożenia w przypadku porażki. Dzięki monitorowaniu w czasie rzeczywistym zmian temperatury oleju i prędkości skrzyń biegów w urządzeniach wiertniczych, predykcyjna konserwacja znacznie poprawiła bezpieczeństwo i obniżyła koszty utrzymania nawet o 38%.
- Przemysł motoryzacyjny: Na liniach montażowych działa spawalnicze wykonują dziennie ok. 15 tys. spoin. Dzięki połączeniu pistoletów spawalniczych na całym świecie i gromadzeniu ich danych operacyjnych producenci samochodów mogą gromadzić miliony punktów danych, co prowadzi do bezprecedensowej dokładności predykcyjnej pod względem stanu tych aktywów.
- Produkcja urządzeń domowych: Pomiary wibracji obrotów bębnów w procesie produkcji suszarni pomogły przewidzieć nieprawidłowe działanie lub awarię. Ta aplikacja do obsługi prognostycznej wyeliminowała wady produkcyjne o 33% i obniżyła koszty utrzymania konsumenta o 27%.
- Zarządzanie aktywami kolejowymi: „Voids” występuje, gdy pusta przestrzeń rozwija się pod torem, co prowadzi do potencjalnego opóźnienia lub nawet wykolejenia. Niedawne innowacje doprowadziły do stworzenia systemów monitorowania opartych na kabinach, które mogą wykrywać szereg zmiennych podczas ich przenoszenia się na tory. Doprowadziło to do poprawy wykrywania pustek i ogólnego wzrostu bezpieczeństwa klientów.
- Przemysł stalowy: Wykrywanie anomalii wykorzystuje się do gromadzenia w czasie rzeczywistym odczytów wibracji, prędkości obrotowej i prądu elektrycznego (amperów) w urządzeniach do walcowania na zimno stosowanych w przetwórstwie stali. Aplikacja ta doprowadziła do 60% skrócenia czasu użytkowania urządzeń i znacznego ograniczenia strat spowodowanych przestojami i opóźnieniami.
Korzyści z prognozowanej gospodarki remontowej
Wdrożenie systemów obsługi predykcyjnej przyniosło imponujące wyniki w wielu branżach.
Prognozowane prace PM zwiększają produktywność o 25%, redukują przestoje o 70% i obniżają koszty utrzymania o 25%.
Co ciekawe, nie chodzi o to, że koncepcja opracowania predykcyjnego jest czymś nowym. Od dziesięcioleci firmy dążą do zapewnienia większej przewidywalności w zakresie utrzymania aktywów, ale rozwój technologii, takich jak sztuczna inteligencja i nowoczesne systemy ERP, wymaga zapewnienia możliwości i funkcjonalności niezbędnych do uzyskania sprawdzających się rozwiązań z zakresu obsługi prognostycznej. Korzyści z tego płynące obejmują:
- Lepszy wgląd w całą działalność: lepszy wgląd w zasoby terenowe i inne zasoby spoza firmy. Pozwala to producentom oryginalnego sprzętu i usługodawcom zewnętrznym na oferowanie lepszych wartości i bardziej świadomych usług.
- Niższe koszty utrzymania i wyższa wydajność aktywów: Prognozowana gospodarka remontowa konsekwentnie prowadzi do lepszego wykorzystania istniejących zasobów, skrócenia czasu przestoju i wydłużenia okresu użytkowania cennych aktywów.
- Bardziej kompetentne zespoły: Gdy operatorzy aktywów, dostawcy usług i kierownicy łańcucha dostaw są uzbrojeni w analizy danych i analizy w czasie rzeczywistym, mogą opracowywać harmonogramy konserwacji, które działają — stają się planistami i strateistami, a nie strażakami.
Kolejne kroki w kierunku przekształcenia łańcucha dostaw dzięki rozwiązaniom do obsługi prognostycznej
Wiele firm nie zmieniło w ciągu dziesięcioleci strategii obsługi aktywów, mimo że zmodernizowało inne obszary działalności. Zmiany w długotrwałych procesach stanowią wyzwanie i uzyskanie poparcia ze strony zespołów może być trudne. Najskuteczniejsze plany transformacji biznesowej rozpoczynają się od opracowania dobrej strategii komunikacji i zarządzania zmianami, która pomoże w zaangażowaniu zespołów i rozwinięciu silosów. Porozmawiaj z dostawcą oprogramowania, aby dowiedzieć się więcej o tym, które narzędzia i rozwiązania będą najlepsze z punktu widzenia wyjątkowych potrzeb Twojej firmy, i poznaj możliwości wdrożenia planu rozwoju i transformacji cyfrowej.
Poznaj SAP Predictive Asset Insights
Zmaksymalizuj wydajność aktywów dzięki nowoczesnym narzędziom do obsługi prognostycznej.
Biuletyn SAP Insights
Zasubskrybuj już dziś
Zasubskrybuj newsletter i zyskaj dostęp do najważniejszych analiz.