Automatyzacja procesów · Przemysłowy IoT
Predykcyjne utrzymanie ruchu (predictive maintenance) w praktyce firm
Maszyny serwisowane według stałego harmonogramu i tak psują się bez ostrzeżenia, a sprawne części trafiają do wymiany. Predykcyjne utrzymanie ruchu wykorzystuje dane z czujników i uczenie maszynowe, żeby serwisować urządzenia wtedy, gdy wymaga tego ich stan. Pokazujemy, jak to działa, kiedy się opłaca i jak wyglądają pierwsze kroki.
Najważniejsze w skrócie
- Predykcyjne utrzymanie ruchu planuje serwis na podstawie zmierzonego stanu maszyny, zamiast czekać na awarię czy trzymać się stałego interwału.
- Uczenie maszynowe wykrywa anomalie, klasyfikuje stany pracy i szacuje, ile czasu zostało do koniecznego serwisu.
- Najtrudniejszą częścią rzadko jest sam model: o powodzeniu decydują dobór czujników, brak oznaczonych danych, zawodna łączność i integracja.
- Rzetelna ocena maszyn, danych i infrastruktury to najtańszy sposób, by sprawdzić, czy i gdzie takie rozwiązanie się opłaci.
Utrzymanie ruchu to kwestia biznesowa
Koszty utrzymania ruchu pojawiają się dwa razy. Raz jako części zamienne, praca i umowy serwisowe, a drugi raz jako szkody, gdy maszyna się zepsuje: zatrzymana linia, wadliwa partia, niedotrzymany termin dostawy, niezadowolony klient. Ile waży każda z tych pozycji, zależy od zakładu, produktu i organizacji produkcji, dlatego nie ma jednej liczby, która pasowałaby do każdej firmy.
Większość producentów zadaje sobie jednak to samo pytanie: jak utrzymać niezawodną pracę maszyn i nie płacić za serwis, który nie jest potrzebny?
Trzy podejścia do utrzymania ruchu
Predykcyjne utrzymanie ruchu (predictive maintenance, PdM) to podejście proaktywne, oparte na stanie maszyny. Wykorzystuje dane z czujników i uczenie maszynowe, aby ocenić ryzyko awarii i zaplanować serwis, zanim do niej dojdzie. Funkcjonuje obok dwóch starszych podejść, a każde z nich ma swoje miejsce.
| Do awarii (run-to-failure) | Prewencyjne | Predykcyjne | |
|---|---|---|---|
| Rodzaj | reaktywne | proaktywne, oparte na czasie | proaktywne, oparte na stanie maszyny |
| Co uruchamia serwis | awaria | upływ czasu lub liczba motogodzin | wczesne oznaki awarii w danych maszyny |
| Kluczowe wskaźniki | brak | średni czas do awarii (MTTF), średni czas między awariami (MTBF) | bieżący stan oszacowany na podstawie wszystkich dostępnych danych |
| Główne koszty | przestoje, nadgodziny, duży zapas części zamiennych | częsty serwis, wymiana wciąż sprawnych części | czujniki, architektura danych i modele |
| Części zamienne | zapas wszystkich krytycznych części lub szybka wysyłka od dostawcy | planowane według kalendarza serwisowego, braki przy przedwczesnej awarii | zamawiane według rzeczywistych potrzeb, z możliwością połączenia z zakupami |
| Kiedy się sprawdza | tanie, redundantne urządzenia, których awaria nie wpływa na jakość | zakłady, które mogą zaakceptować sporadyczne przestoje | krytyczne lub drogie maszyny, produkcja ciągła, duże floty urządzeń |
Większość firm łączy wszystkie trzy podejścia. Warto więc zapytać, które maszyny uzasadniają nakład na predykcyjne utrzymanie ruchu. Zwykle są to te, których awaria jest kosztowna lub niebezpieczna.
Jak działa predykcyjne utrzymanie ruchu
- Zbieranie danych z czujników: czujniki na maszynie rejestrują drgania, temperaturę, ciśnienie lub inne sygnały.
- Ocena odczytów: model uczenia maszynowego wytrenowany na danych historycznych sprawdza nowe odczyty, oznacza anomalie i szacuje, kiedy potrzebny będzie serwis.
- Powiadomienie właściwych osób: gdy awaria staje się prawdopodobna, dział utrzymania ruchu dostaje powiadomienie ze wskazaniem maszyny i przyczyny.
- Zapis i dalsze uczenie: odczyty i wyniki trafiają do bazy danych, a model jest ponownie trenowany na nowych danych, żeby nadążał za zmieniającymi się warunkami.
- Pokazanie trendów: dashboard pokazuje stan każdej maszyny i jego zmiany w czasie.
Decyzję o wysłaniu technika nadal podejmują ludzie. System dba o to, by podejmowali ją na podstawie rzeczywistego stanu maszyny.
Jakie metody są stosowane
Różne pytania wymagają różnych modeli. Najczęstsze zadania uczenia maszynowego w predykcyjnym utrzymaniu ruchu to:
- Wykrywanie anomalii: czy maszyna zachowuje się inaczej niż zwykle?
- Klasyfikacja: w jakim stanie pracy jest maszyna albo czy ulegnie awarii w określonym czasie?
- Regresja: jak długo maszyna może jeszcze pracować?
- Analiza przeżycia: jak zmienia się w czasie prawdopodobieństwo awarii?
W zależności od danych zadania te rozwiązuje się za pomocą regresji logistycznej, drzew decyzyjnych i lasów losowych, klasteryzacji lub sieci neuronowych. Sygnały pochodzą ze sprawdzonych metod monitorowania stanu maszyn: pomiaru drgań i temperatury, termografii w podczerwieni, analizy oleju, pomiaru ciśnienia i ultradźwięków. Każdą z nich można analizować osobno. Najlepsze prognozy często daje jednak połączenie kilku czujników na tej samej maszynie, bo model znajduje wtedy wzorce, których nie widać w żadnym pojedynczym pomiarze.
Czego uczą projekty w praktyce
Podręcznikowy schemat zakłada czyste, oznaczone dane i stabilne połączenie. Prawdziwe projekty rzadko zaczynają się w takich warunkach.
W praktyce: producent wind
Producent wind chciał wysyłać serwis tylko wtedy, gdy dana winda go potrzebuje. Pierwszym krokiem było ustalenie, gdzie jest każda winda i co robi. Trzy ograniczenia wykluczyły oczywiste rozwiązanie: szyb blokuje sygnał radiowy, zestaw czujników musiał pozostać minimalny, żeby dało się go opłacalnie zamontować w tysiącach urządzeń, a oznaczonych danych nie było. Razem z partnerem IoT zbudowaliśmy modele klasteryzacji z własną logiką dziedzinową, które na podstawie surowych odczytów rozpoznają piętro i stan pracy, działają również offline i synchronizują dane po przywróceniu połączenia. To fundament predykcyjnego utrzymania ruchu w skali całej floty.
W praktyce: producent systemów HVAC
Globalny producent systemów grzewczych i klimatyzacyjnych miał w terenie ponad 100 urządzeń, każde z 50 lub więcej czujnikami. Dane były zbierane, ale nikt ich nie analizował, a awarie czujników pozostawały niezauważone. Zbudowaliśmy architekturę danych na AWS oraz pipeline’y uczenia maszynowego, które wykrywają anomalie, klasyfikują tryby pracy i znajdują czujniki, którym nie można już ufać.
Oba projekty zaczęły się od warstwy danych, zanim pojawiła się jakakolwiek prognoza: co mierzyć, jak radzić sobie z lukami i jak nauczyć model normalnego zachowania bez oznaczonych danych.
Co zyskuje firma
- Większa dostępność maszyn: mniej nieplanowanych awarii i przestojów produkcji.
- Dłuższa żywotność urządzeń: problemy są usuwane, zanim wyrządzą szkody.
- Mniej zbędnych wizyt serwisowych: sprawne maszyny nie są serwisowane tylko dlatego, że tak wynika z kalendarza.
- Mniejszy zapas części zamiennych: części są zamawiane wtedy, gdy są naprawdę potrzebne.
- Lepsza jakość i bezpieczeństwo: maszyna, która zaczyna wychodzić poza tolerancje, zostaje zauważona, zanim wyprodukuje braki lub narazi ludzi.
Jak zacząć
- Wybierz maszyny: zacznij tam, gdzie awaria jest najdroższa lub najczęstsza.
- Sprawdź dane: jakie czujniki już są, jak często wysyłają dane, czy historia awarii jest zapisywana i gdzie trafiają dane.
- Określ środowisko: chmura, on-premise czy samo urządzenie, i co się dzieje, gdy zerwie się połączenie.
- Zaplanuj integrację: alerty mają sens tylko wtedy, gdy trafiają do systemu utrzymania ruchu i do osób, które na nie reagują.
- Przetestuj rozwiązanie na małą skalę: najpierw jedna linia lub jeden typ maszyny, potem skalowanie tego, co działa.
Tę drogę przeszedł z nami producent z branży motoryzacyjnej: podczas kilkudniowych warsztatów oceniliśmy jego infrastrukturę Azure i on-premise, sprawdziliśmy, które technologie pasują do jego maszyn, i przygotowaliśmy architekturę rozwiązania i roadmapę predykcyjnego utrzymania ruchu. Na tej samej zasadzie opiera się nasz Warsztat AI Discovery, a więcej zastosowań danych z czujników znajdziesz na stronie o energetyce i IoT.
Myślisz o predykcyjnym utrzymaniu ruchu?
Razem z Tobą przyglądamy się maszynom, danym i infrastrukturze, żeby ustalić, gdzie predykcyjne utrzymanie ruchu się opłaca i jak może wyglądać pierwszy krok.
Zapytaj o analizę procesuNajczęściej zadawane pytania
To podejście do utrzymania ruchu, które wykorzystuje dane z czujników i uczenie maszynowe do oceny stanu maszyny i planowania serwisu przed awarią, zamiast czekać, aż maszyna się zepsuje, albo serwisować ją w stałych odstępach.
W podejściu prewencyjnym maszyny są serwisowane po upływie określonego czasu lub liczby motogodzin. W podejściu predykcyjnym serwis odbywa się wtedy, gdy zmierzony stan maszyny wskazuje, że awaria staje się prawdopodobna.
Danych z czujników, takich jak drgania, temperatura czy ciśnienie, najlepiej razem z historią wcześniejszych awarii i prac serwisowych. Jeśli oznaczonych awarii brakuje, modele mogą nauczyć się normalnego zachowania maszyny i sygnalizować odchylenia.
Tak, jeśli zostało do tego zaprojektowane. Modele mogą działać na samym urządzeniu, zapisywać wyniki lokalnie i synchronizować je po przywróceniu połączenia.
Od maszyn, których awarie są najdroższe, rzetelnej oceny dostępnych danych i infrastruktury oraz małego pilotażu przed skalowaniem.