Maszyny nie muszą się psuć

monitorowanie, panel, sterowanie © Adobe Stock - Industrieblick

Udostępnij:

Lata doświadczeń budowania rozwiązań typu „predictive maintenance” („utrzymanie predykcyjne”) pokazują, że awarie maszyn można przewidzieć z zadowalającą skutecznością. W większości przypadków nie da się całkowicie ich wyeliminować, ale znaczna część jest możliwa do przewidzenia i dlatego warto zminimalizować ich skutki.

Jak wyjaśnia Aleksaner Fafuła, Chief Data Architect w ITMagination, zadaniem systemów rozpoznających awarie jest nie tylko prosta analiza lub wykrycie uszkodzenia, gdy to już nastąpiło. W takich mechanizmach weryfikuje się trudne przypadki, które często nie są możliwe do zidentyfikowania przez człowieka, a następnie ostrzega jeszcze przed wystąpieniem awarii.


Czym różni się utrzymanie predykcyjne od standardowych alertów?

Najważniejsze różnice, przemawiające na korzyść utrzymania predykcyjnego w stosunku do dotychczasowych systemów, są następujące:

1. Czas – systemy utrzymania predykcyjnego informują o awarii zanim ona realnie powstanie. Wcześniejsze rozwiązania nie mają funkcji analitycznej, która przewiduje awarię zanim ona nastąpi.

2. Zakres – tradycyjnie monitoruje się osobno każdy z sensorów. Nowoczesne systemy łączą dane i wnioskują na podstawie kombinacji sygnałów.

3. Samouczenie – systemy utrzymania predykcyjnego same się kalibrują. Na podstawie danych historycznych rozumieją, które sytuacje kończyły się awariami i sugerują bezpieczne ustawienia.

Jak wdrożyć predictive maintenance?

Utrzymanie predykcyjne to m.in. odpowiednie wykorzystanie danych, które należy przeanalizować przy pomocy algorytmów. W praktyce takie projekty zaczynają się od przekazania wyników pomiarów z sensorów do analizy, aby stworzyć wstępne studium wykonalności predykcji. Następnie firmy analityczne konsultują wstępne dane z firmą produkcyjną i jeśli te są akceptowalne, system zostaje wdrożony. Ostatecznie, osoba odpowiedzialna za procesy produkcyjne ma do dyspozycji panel, na którym wyświetlane są informacje o możliwości wystąpienia awarii.

Kto powinien korzystać z tej technologii?

Adresatami rozwiązań predictive maintenance są firmy, w których zachodzi powtarzalny proces produkcji. Im jest on bardziej jednostkowy, wówczas stopień trudności rośnie. Jeśli maszyny są często rekonfigurowane i wykonują czynności, których nie da się porównać, skuteczność predykcji awarii słabnie. Warto, aby urządzenia miały jak najwięcej sensorów i były grupowane. Im większe koszty wynikające z przestojów i defektów, tym większe są przesłanki do wdrożenia systemu przewidującego usterki.

Jeśli park maszynowy nie jest złożony z najnowocześniejszego sprzętu, należy wyposażyć go w odpowiednie czujniki. Urządzenia powinny być podłączone w taki sposób, aby dane spływały do centralnego punktu i były dostępne do dalszych analiz. Rynek sensorów IoT jest bardzo szeroki – od prostych urządzeń pomiarowych (mierzących ciśnienie, temperaturę itp.) do zaawansowanych termokamer, które przekazują obrazy do analizy, aby wykrywać m.in. wycieki.

Predictive maintenance i sposoby programowania

Zaprogramowanie modeli predictive maintenance wymaga specjalistycznej wiedzy z zakresu data science. Podstawowa analiza danych może być oprogramowana w popularnych językach open source, np. R lub Python. Dane z sensorów są tzw. szeregami czasowymi, dlatego wszelkie biblioteki wspomagające przetwarzanie takich szeregów są pomocne. Problem można także sformułować w postaci klasyfikacji lub regresji i wykorzystać jeden z popularnych algorytmów np. xgboost. W praktyce często buduje się wiele modeli z różnorodnymi algorytmami, które przedstawiają problem na kilka sposobów (np. wykrywanie anomalii, klastrowanie, dekompozycja falkowa, RNN, LSTM, Hidden Markov chain, SVM itd.).

Po wstępnej analizie i upewnieniu się, że awarie mogą być przewidywalne, przechodzi się do fazy wdrożeniowej. W przypadku rozwiązania on premises warto rozważyć budowę własnego data lake, który zazwyczaj obsługuje dane w trybie stream, a nie tylko batch. To zaś implikuje wykorzystanie spark streamingu. Najlepsi dostawcy chmur, jak np. AWS czy Azure, posiadają dedykowane architektury, które wykorzystuje się w świecie IoT i Przemysłu 4.0, co pomaga w redukcji kosztów i czasu na wprowadzenia systemu w życie oraz ułatwia jego utrzymanie.

O ile dla osób spoza branży data science nazwy powyższych technologii mogą brzmieć zagadkowo, to projekty tego typu cechują się dużą wdrażalnością. Warto zlecić takie zadanie wyspecjalizowanym firmom.


TOP w kategorii




Czy maszyny muszą się psuć?

Odpowiedź na to pytanie jest następująca – wszystko wskazuje na to, że tak. Jednak dzięki współczesnym technologiom, odpowiedni system jest w stanie ostrzec nas przed większością poważnych awarii. Jeśli wiemy, że niebawem spotka nas większy problem, wówczas jesteśmy w stanie temu przeciwdziałać i relatywnie niskim kosztem serwisować zużytą część. Utrzymanie predykcyjne chroni przed całkowitym zatrzymaniem produkcji i często dość dużymi stratami finansowymi.

Źródło: ITMagination

Udostępnij:

Drukuj





MM



Chcesz otrzymać nasze czasopismo?
Zamów prenumeratę
Zobacz również