Konserwacja predykcyjna: Zmaksymalizuj czas pracy sprzętu i oszczędność kosztów
Predykcyjna konserwacja stale ocenia stan sprzętu w czasie rzeczywistym, pomagając zmaksymalizować wydajność, czas produktywności i żywotność sprzętu przy jednoczesnej minimalizacji całkowitego kosztu posiadania.
Co to jest prognozowana gospodarka remontowa?
Konserwacja predykcyjna to podejście do utrzymania ruchu, które kładzie nacisk na to, co zasoby przedsiębiorstwa próbują Ci powiedzieć. Maszyny w fabrykach, flota ciężarówek, sprzęt przemysłowy – rozmawiają z Tobą od lat. Jeśli możesz słuchać uważnie, możesz zrozumieć, kiedy twoje maszyny mają się zepsuć i co trzeba, aby działać dłużej i płynniej.
Prognozowana gospodarka remontowa pozwala Twojej firmie przewidywać awarie urządzeń i planować konserwację, kiedy i gdzie jest ona natychmiast potrzebna. Ułatwia to dostęp do informacji potrzebnych do maksymalnego wykorzystania zasobów, nie wypychając ich zbyt daleko i ryzykując kosztowne awarie.
Definicja opracowania predykcyjnego
Predykcyjne prace konserwacyjne mają na celu zapobieganie awariom i przestojom urządzeń poprzez połączenie zasobów przedsiębiorstwa z obsługą IoT, zastosowanie zaawansowanych analiz do generowanych przez nie danych w czasie rzeczywistym oraz wykorzystanie powiązanych informacji w celu informowania opłacalnych i wydajnych protokołów konserwacji.
Dlaczego prognozowana gospodarka remontowa jest dziś tak ważna?
Przewidywana konserwacja jest ważna, ponieważ oszczędza czas i pieniądze firmy, eliminując kosztowne i zakłócające awarie sprzętu. Wraz ze wzrostem zapotrzebowania konsumentów na dostępność produktów organizacje korzystające z programów obsługi prognostycznej mogą produkować bez zakłóceń. Rezultatem jest ciągła lojalność klientów, wyższe przychody i większa przewaga konkurencyjna.
Inteligentne rozwiązania do prognozowania obsługi przewidują, kiedy potrzebne jest opracowanie aktywów, pomagają zwiększyć efektywność kosztową i uprościć złożone wymagania w zakresie zarządzania aktywami trwałymi w przedsiębiorstwie. Mówiąc prościej, zastosowanie technologii konserwacji predykcyjnej pomaga firmie zaoszczędzić czas, pieniądze i bóle głowy związane z procedurami.
Jak działa konserwacja predykcyjna?
Prognozowane prace PM polegające na rejestrowaniu i analizowaniu danych urządzenia w czasie rzeczywistym w celu przewidywania potencjalnych problemów, zanim spowodują one awarię urządzenia.
Pierwszy etap tego procesu polega na gromadzeniu danych i informacji w czasie rzeczywistym z połączonych w sieć czujników IoT, które przesyłają informacje o warunkach urządzeń. Dane te muszą być następnie przechowywane i zarządzane w taki sposób, aby mogły być łatwo dostępne, przetwarzane i analizowane. Komponent „predykcyjny” wchodzi w grę, gdy sztuczna inteligencja (AI) i technologie uczenia maszynowego są stosowane do danych, aby przedstawić przydatną i przydatną historię.
Istnieją cztery podstawowe etapy architektury konserwacji predykcyjnej i sieci przemysłowego IoT (IIoT):
Proces prognozowanej gospodarki remontowej
- Gromadzenie danych z czujników, które mogą monitorować właściwości maszyny, takie jak wibracje, temperatura, wilgotność, ciśnienie, hałas i inne
- Przesyłanie tych danych w czasie rzeczywistym w całej sieci do centralnego systemu biznesowego
- Zastosowanie inteligentnych technologii, takich jak sztuczna inteligencja i analizy uczenia maszynowego, w celu ujawnienia przydatnych i przydatnych analiz
- Podejmowanie szybkich działań w oparciu o te spostrzeżenia, za pomocą automatycznej reakcji lub interwencji człowieka
Korzystanie z technologii konserwacji predykcyjnej
Monitorowanie warunków
Konserwacja predykcyjna jest możliwa dzięki cyberfizycznym systemom, które łączą maszyny i oprogramowanie w inteligentną sieć IoT. Aby zbudować taką sieć, rozpocznij od określenia warunków aktywów, które muszą być monitorowane.
Analizą wymaganą do identyfikacji stanu aktywów może być wizualna, słuchowa, termiczna lub najczęściej kombinacja tych kryteriów. W tym miejscu nacisk kładzie się na określenie odpowiednich czujników i narzędzi monitorujących, które mają być zamontowane:
Analiza drgań: Małe zmiany w wzorcach drgań mogą wskazywać na nierównowagę lub niewspółosiowość, podczas gdy wysokie poziomy drgań mogą wskazywać na nadchodzące problemy z łożyskiem. Analiza drgań może dawać wczesne ostrzeżenia o awarii i jest szczególnie przydatna w wykrywaniu nierównowagi, niewspółosiowości, luzowania mechanicznego, zużytych lub uszkodzonych części.
Analiza dźwiękowa i ultradźwiękowa: W normalnej pracy większość systemów tworzy stabilne wzorce dźwięku. Zmiany w wzorcu dźwiękowym odniesienia mogą wskazywać na zużycie lub inne rodzaje zepsucia. Analizy ultradźwiękowe mogą również dostarczyć informacji o ogólnym stanie systemu poprzez przełożenie dźwięków wysokiej częstotliwości (takich jak te wytwarzane przez przecieki pary lub powietrza) na zakres dźwiękowy.
Analiza na podczerwień: Podobnie jak w przypadku analizy ultradźwiękowej, termografia odkrywa również ukryte za pomocą analizy podczerwieni w celu przełożenia zmian temperatury na widmo widzialne. Nawet subtelne zmiany w normalnych temperaturach pracy mogą ostrzec przed nadchodzącymi problemami.
Analiza płynów: Oprócz monitorowania poziomu i temperatury płynów, fizyczna i chemiczna analiza płynów może dostarczyć cennych informacji na temat stanu składników mechanicznych. Dzięki wykrywaniu szybkości degradacji w chłodziwach i smarach, można podjąć kroki zapobiegawcze, gdy tylko te analizy będą wymagały.
Inne: Inne technologie konserwacji predykcyjnej są wyspecjalizowane w różnych unikalnych potrzebach przemysłowych. Obejmują one wyrównanie lasera, monitorowanie obwodów elektrycznych, wykrywanie pęknięć, wykrywanie usterek, monitorowanie korozji, zmiany rezystancji elektrycznej i inne specyficzne dla branży środki pomiaru korozji lub pogorszenia.
Kluczowe technologie konserwacji predykcyjnej
Po ustaleniu powyższych kryteriów odpowiednie czujniki i monitory muszą być zamontowane i podłączone do centralnego systemu biznesowego, najczęściej systemu planowania zasobów przedsiębiorstwa (ERP), za pośrednictwem sieci IoT połączonej w chmurze. Wreszcie, rozwiązania oparte na sztucznej inteligencji muszą być wdrożone w celu analizy danych i dostarczenia przydatnych informacji i zaleceń z zebranych danych.
Sieć IoT: gdy zasoby przedsiębiorstwa są rozszerzone o czujniki, możliwości przetwarzania i inne technologie, mogą one wysyłać i odbierać dane – zwykle za pośrednictwem łączności w chmurze – do i z centralnego systemu biznesowego. Obejmuje to sieć IoT i stanowi podstawę strategii prognozowania obsługi.
Bramki IoT: Wiele starszych zasobów nadal działa doskonale, ale ich analogowa technologia poprzedza integrację cyfrową. Maszyny te mogą być wyposażone w urządzenia bramki IoT, które mogą obejmować kamery, mikrofony i termometry, aby gromadzić i przesyłać dane w czasie rzeczywistym o ich stanach operacyjnych.
Łączność z chmurą: łączność z chmurą zapewnia dostępność zasobów systemów komputerowych na żądanie. W sieci IoT składającej się z wielu zasobów przemysłowych kluczowe znaczenie ma integracja centrów danych z wieloma lokalizacjami w jednej bazie danych i systemie.
Nowoczesna baza danych i system ERP: Starsze bazy danych oparte na dyskach nie są dobrze przygotowane do zarządzania obszernymi i nieliniowymi danymi, które obejmują Big Data i złożone zbiory danych. Ponadto obsługa prognostyczna wykorzystuje sztuczną inteligencję i uczenie maszynowe do wykonywania zaawansowanych analiz takich danych. Cały ten proces jest najlepiej obsługiwany przez nowoczesny system ERPoparty na sztucznej inteligencji z bazą danych in-memory, która jest szybka, responsywna i prawie nieskończenie skalowalna.
Sztuczna inteligencja i uczenie maszynowe: uczenie maszynowe to podzbiór sztucznej inteligencji, która wykorzystuje algorytmy do analizowania i rozumienia danych. Rozwiązania do obsługi prognostycznej zależą od sztucznej inteligencji i uczenia maszynowego, co pozwala nie tylko sortować, rozumieć i uczyć się na podstawie danych operacyjnych zasobów przedsiębiorstwa, ale także generować przydatne rekomendacje i analizy.
Zaawansowane analizy: zaawansowana analityka AI i uczenia maszynowego. Menedżerowie muszą określić atrybuty i warunki do oceny oraz pożądane wyniki analityczne. W ten sposób algorytmy informujące o zaawansowanej analityce mogą być zaprogramowane tak, aby były jak najbardziej wnikliwe i skuteczne oraz aby w miarę upływu czasu mogły najlepiej uczyć się na podstawie danych i nowych doświadczeń.
Cyfrowe bliźniaki: Cyfrowy bliźniak to wirtualne odtworzenie rzeczywistego zasobu fizycznego. Tworząc cyfrowe bliźniaki, menedżerowie mogą przeglądać każdy możliwy scenariusz operacyjny na bliźniakach – bez ryzyka rzeczywistego uszkodzenia kosztownej maszyny lub urządzenia. Pomaga to usprawnić konserwację predykcyjną, pozwalając narzędziom uczenia maszynowego i sztucznej inteligencji na włączenie i wyciągnięcie wniosków z doświadczeń, które jeszcze nigdy się nie zdarzyły.
Prognozowana gospodarka remontowa a obsługa profilaktyczna
Różnica między tymi modelami obsługi polega nie tyle na sposobie wykonywania zadań obsługi, ile na czasie.
Konserwacja profilaktyczna: konserwacja, która jest oparta na dawnych wynikach oraz wiedzy i doświadczeniu inżynierów i operatorów. Obejmuje konserwację rutynową, okresową, planowaną lub opartą na czasie. Chociaż często zapobiega awariom, może być niedokładna, co może prowadzić do kosztownej konserwacji przed jej potrzebą lub do niezauważonych słabości w procesie konserwacji. Konserwacja profilaktyczna odbywa się w momentach, które są wstępnie ustawione, często z długim wyprzedzeniem.
Konserwacja predykcyjna: konserwacja, która jest możliwa, gdy sieci IoT integrują wszystkie zasoby przedsiębiorstwa w ekosystemieproduktywnym. Możliwość przesyłania i analizowania danych w czasie rzeczywistym oznacza, że monitorowanie stanu aktywów trwałych w czasie rzeczywistym – a nie kalendarze – staje się podstawą dla protokołów obsługi. Prognozowana konserwacja odbywa się w czasie rzeczywistym, dokładnie kiedy i gdzie jest potrzebna.
Inne techniki konserwacji aktywów
Obsługa
reaktywna
Konserwacja wykonywana w odpowiedzi na nagły awaria lub awarię urządzenia. Ten rodzaj konserwacji jest często nieplanowany i może skutkować wydłużeniem przestojów i kosztów.
Prace PM możliwe do zaplanowania
Konserwacja wykonywana w celu usunięcia wady lub usterki sprzętu. Ten rodzaj konserwacji jest zazwyczaj wykonywany po zidentyfikowaniu problemu i może pomóc zapobiec wystąpieniu kolejnych problemów.
Konserwacja preskrypcyjna
Obsługa określana na podstawie zaleceń producenta lub wytycznych dla określonego urządzenia. Ten typ obsługi jest oparty na harmonogramie określonym przez producenta dla zadań PM.
Obsługa w oparciu o warunki
Utrzymanie wykonywane w oparciu o stan urządzenia, a nie ustalony z góry harmonogram. Ten rodzaj konserwacji wykorzystuje monitorowanie i inspekcję w celu ustalenia, kiedy konieczna jest interwencja. Chociaż może to pomóc w ograniczeniu niepotrzebnych zadań konserwacyjnych i zminimalizowaniu przestojów, konserwacja oparta na warunkach jest wysoce ręczna i czasochłonna.
Opracowanie zorientowane na wiarygodność
Konserwacja, która nadaje priorytet zadaniom na podstawie niezawodności i krytyczności urządzeń. Podejście to koncentruje się na identyfikacji najważniejszych zadań konserwacyjnych w celu maksymalizacji niezawodności i wydajności sprzętu.
Ewolucja obsługi zasobów
Poniższy wykres (zaadaptowany przez Deloitte) pokazuje postęp możliwości technologicznych w trakcie rewolucji przemysłowych i wynikający z nich wpływ na strategie konserwacji i efektywność urządzeń.
pary
elektryczna
komputera
reaktywna
zapobiegawcza
zapobiegawcza
wzrokowa
instrumentalna
Przykłady prognozowanej gospodarki remontowej w czynności
Sektor naftowy i gazowy: Odwierty naftowe powodują ogromne zużycie zasobów i mogą prowadzić do dużego ryzyka i niebezpieczeństwa w przypadku awarii. Dzięki monitorowaniu temperatury oleju i szybkości skrzyń biegów w urządzeniach wiertniczych, konserwacja predykcyjna znacznie poprawiła bezpieczeństwo i obniżyła koszty konserwacji nawet o 38%.
Przemysł motoryzacyjny: Na liniach montażowych pistolety do spawania punktowego wykonują około 15.000 spotów punktowych dziennie. Łącząc pistolety spawalnicze na całym świecie i zbierając dane operacyjne, producenci samochodów mogą zebrać miliony punktów danych, co prowadzi do bezprecedensowej dokładności prognostycznej stanu i stanu tych zasobów.
Produkcja urządzeń domowych: Pomiary drgań obrotu bębna w produkcji suszarek pomogły przewidzieć nieprawidłowe działanie lub awarię. Ta aplikacja do obsługi prognostycznej wyeliminowała wady produkcyjne o 33% i obniżyła koszty utrzymania konsumentów o 27%.
Zarządzanie aktywami kolejowymi: „Unieważnienia” mają miejsce, gdy pusta przestrzeń rozwija się pod torem prowadzącym do potencjalnego opóźnienia lub nawet wykolejenia. Niedawne innowacje doprowadziły do stworzenia systemów kablowych, które monitorują szereg zmiennych, które toczą się po szynach. Doprowadziło to do poprawy wykrywania pustek i ogólnego wzrostu bezpieczeństwa klientów.
Przemysł stalowy: Wykrywanie anomalii jest wykorzystywane do zbierania w czasie rzeczywistym odczytów drgań, prędkości obrotowej i prądu elektrycznego (amperów) w urządzeniach do walcowania na zimno stosowanych w obróbce stali. Aplikacja ta doprowadziła do 60% poprawy żywotności sprzętu i znacznie zmniejszyła straty z powodu przestojów i opóźnień.
Korzyści płynące z programów obsługi prognostycznej
Wdrożenie predykcyjnych systemów utrzymania ruchu przyniosło imponujące wyniki w wielu branżach. Raport Deloitte z 2022 r. przytacza liczne wymierne ulepszenia. Obejmują one redukcję przestojów nawet o 15%, wzrost produktywności pracy o 20% i zmniejszenie poziomu zapasów o 30% przy mniejszej potrzebie magazynowania części typu just-in-case.
Dzięki technologiom, takim jak sztuczna inteligencja i zintegrowany system ERP, organizacje pokazują korzyści płynące z rozwiązań do obsługi predykcyjnej, które naprawdę działają. Należą do nich:
Lepszy wgląd w całą działalność firmy: dzięki lepszemu wglądowi w zasoby terenowe i inne urządzenia zewnętrzne producenci OEM i zewnętrzni dostawcy usług mogą świadczyć bardziej świadczone usługi i osiągać większą wartość.
Niższe koszty utrzymania i lepsza wydajność zasobów: minimalizując czas przestoju, prognozowana konserwacja pozwala zaoszczędzić pieniądze i pomaga uzyskać większe wykorzystanie istniejących zasobów nawet po przedłużeniu okresu ich eksploatacji.
Bardziej zaawansowane zespoły: Uzbrojeni w analizy danych i analizy w czasie rzeczywistym, operatorzy aktywów, dostawcy usług i menedżerowie łańcucha dostaw mogą przejść od strażaków do planistów i strateg.
Pokonywanie typowych wyzwań związanych z gospodarką remontową
W tej sekcji przedstawiono typowe wyzwania związane z gospodarką remontową i przeanalizowano strategie ich przezwyciężenia.
Jakość i dostępność danych: Konserwacja predykcyjna w dużym stopniu opiera się na wysokiej jakości i wystarczającej ilości danych historycznych. Niska jakość danych lub niewystarczająca ilość danych może prowadzić do niedokładnych prognoz. Aby pomóc w zapewnieniu jakości danych, najlepszą praktyką jest ustanowienie programu nadzoru nad danymi wspieranego przez kluczowych interesariuszy.
Łączność IoT: Utworzenie połączonej sieci IoT wymaga inteligentnych urządzeń i urządzeń brzegowych z czujnikami, które mogą łączyć się z jeziorami danych i przesyłać dane w formatach plików płaskich. Kładź nacisk na uproszczenie scenariuszy łączności, tak aby można było bez problemów połączyć się z dowolnym źródłem danych IoT.
Zarządzanie urządzeniami IoT: Zarządzanie urządzeniami sieciowymi IoT wymaga skupienia się na zabezpieczeniach urządzeń w celu zminimalizowania podatności na cyberataki. Jednocześnie chcą Państwo promować interoperacyjność między urządzeniami i w razie potrzeby zwiększać skalę. Aby osiągnąć właściwą równowagę, najlepiej jest wdrożyć nowoczesne rozwiązania do zarządzania wydajnością aktywów trwałych, które obsługują wbudowane zaawansowane zarządzanie urządzeniami i solidne możliwości łączności.
Integracja danych: Integracja danych z różnych źródeł, takich jak czujniki IoT, poprzednie systemy i rekordy obsługi, może być złożona i czasochłonna. Poszukaj wydajnej platformy integracyjnej klasy korporacyjnej z kompleksową biblioteką wstępnie wbudowanych konektorów, które zaspokoją Twoje potrzeby w zakresie integracji danych.
Złożoność danych czujników: dane z czujników IoT mogą być trudne do zrozumienia, często wymagają specjalistycznej wiedzy na temat danych, która stanowi barierę dla inżynierów ds. wiarygodności. Poszukaj rozwiązań do zarządzania wydajnością aktywów trwałych, które mogą usuwać dane dla odbiorców nietechnicznych w celu zrozumienia i manipulacji.
Wybór algorytmu: Wybór odpowiednich algorytmów dla opracowania predykcyjnego jest kluczem do sukcesu. Pamiętaj, aby dokładnie ocenić konkretne przypadki użycia i cechy danych, aby wybrać najbardziej odpowiednie algorytmy dla maszyn i potrzeb biznesowych.
Integracja strategii obsługi: Wdrożenie prognozowanej gospodarki remontowej wymaga zintegrowania jej z istniejącymi strategiami obsługi i workflow. Odporność na zmiany i bezwładność organizacyjna mogą utrudnić pomyślne wdrożenie. Sukces wymaga silnego przywództwa, wsparcia kadry kierowniczej, jasnej komunikacji i profesjonalnego zarządzania zmianami.
Jak wdrożyć program obsługi prognostycznej w trzech prostych krokach
- Zdefiniuj cele i określ zakres: Zacznij od określenia, które warunki monitorowania są odpowiednie dla każdego składnika aktywów trwałych. Na przykład, termografia na podczerwień jest najlepiej stosowana w urządzeniach, które mogą wyciekać powietrze lub parę, podczas gdy analiza drgań jest najlepiej stosowana na urządzeniach obrotowych, ale nie na urządzeniach, które obracają się powoli (mniej niż 5 obr./min). Analiza oleju i analiza akustyczna są lepsze dla wolno obracających się urządzeń. Pamiętaj również, aby określić zakres swoich wysiłków. Na przykład, czy monitorujesz określone, indywidualne aktywa, czy też dążysz do bardziej kompleksowego pokrycia?
- Zainstaluj odpowiednie czujniki IoT: Zainstaluj czujniki IoT w oparciu o rodzaje analizy najbardziej odpowiednie dla każdego monitorowanego zasobu – a następnie rozpocznij zbieranie danych. Upewnij się, że czujniki te są podłączone do systemów przetwarzania danych – takich jak te powszechnie zintegrowane z rozwiązaniami do zarządzania wydajnością aktywów trwałych – w celu ograniczenia kosztów, czasu i błędów ludzkich.
- Skonfiguruj protokoły: Aby skutecznie reagować na wykrywanie anomalii, skonfiguruj protokoły, aby zapewnić efektywną naprawę zasobów w zgodzie z celami dotyczącymi czasu produktywnego. Protokoły te mogą być zautomatyzowane, ręczne lub mieszane.
Przekształć łańcuch dostaw dzięki rozwiązaniom z zakresu predykcyjnej gospodarki remontowej
Wiele firm od dziesięcioleci nie zmieniło swoich strategii utrzymania aktywów – mimo że zmodernizowało inne obszary swojej działalności. Zmiana wieloletnich procesów jest wyzwaniem i może być trudne, aby uzyskać akceptację od swoich zespołów. Najskuteczniejsze plany transformacji biznesowej zaczynają się od dobrej strategii komunikacji i zarządzania zmianami – aby pomóc zaangażować zespoły i rozbić silosy. Porozmawiaj z dostawcą oprogramowania, aby dowiedzieć się, które narzędzia i rozwiązania będą najlepiej odpowiadać Twoim wyjątkowym potrzebom, a także zachęcić Cię do realizacji mapy rozwoju i transformacji cyfrowej.
Poznaj rozwiązania do obsługi prognostycznej
Zmaksymalizuj wydajność zasobów dzięki nowoczesnym narzędziom do prognozowania obsługi.
Dbałość o zasoby, niezawodność i bezpieczeństwo przy użyciu AI
Dowiedz się, jak koleje i inne branże kapitałochłonne mogą korzystać z kontroli wzrokowej wspomaganej sztuczną inteligencją w celu zwiększenia niezawodności, optymalizacji działalności operacyjnej i obniżenia kosztów.