Predictive maintenance: jak dane z czujników zamieniają się w planowe terminy konserwacji
Przestoje, których nikt nie zaplanował, kosztują więcej niż te ujęte w harmonogramie konserwacji. Predictive maintenance zamienia część nieplanowanych przestojów w zaplanowane terminy.
Predictive maintenance: definicja i czym się różni od innych podejść
Predictive maintenance, po polsku konserwacja predykcyjna, to strategia utrzymania ruchu, w której moment interwencji wynika ze zmierzonego stanu maszyny, a nie z kalendarza. Na podstawie danych z czujników i z historii konserwacji model szacuje, ile wynosi pozostały okres użytkowania danego podzespołu. Dział utrzymania ruchu planuje wtedy interwencję w takim oknie czasowym, w którym kosztuje ona niewiele.
Można wyróżnić cztery podejścia. Konserwacja reaktywna polega na naprawie po awarii. W konserwacji zapobiegawczej części wymienia się w stałych odstępach czasu, a więc albo za wcześnie, gdy są jeszcze sprawne, albo za późno. W konserwacji opartej na stanie condition monitoring mierzy bieżący stan maszyny i podnosi alarm, gdy wartość przekroczy próg. Konserwacja predykcyjna idzie o krok dalej i wskazuje dodatkowo, kiedy nietypowa wartość prawdopodobnie skończy się awarią.
O korzyściach przesądza różnica między alarmem progowym a prognozą. Alarm progowy zgłasza stan, który już wystąpił. W zależności od rodzaju uszkodzenia zostaje wtedy niewiele czasu i trzeba naprawiać w trybie pilnym. Prognoza z kilkudniowym wyprzedzeniem pozwala natomiast zamówić części zamienne, zaplanować pracę personelu i przenieść interwencję na okres niskiego obciążenia, czyli na zmianę z małą liczbą zleceń.
Jak działa predictive maintenance
Od strony technicznej konserwacja predykcyjna to łańcuch, na który składają się gromadzenie danych, ich przygotowanie, model i włączenie go w bieżącą pracę zakładu, a projekt może się nie powieść na każdym z tych ogniw.
| Krok | Co się dzieje | Co z tego wynika |
|---|---|---|
| 1. Połączenie danych | Wartości z czujników (drgania, temperatura, pobór prądu, czasy cykli) łączy się z kodami błędów i z historią konserwacji, w której zapisano rzeczywiste awarie | jeden zbiór danych na maszynę, w którym awarie mają daty |
| 2. Tworzenie sygnałów | z wartości sekundowych powstają wskaźniki dla każdej zmiany: trend, rozrzut, wartości odstające i zmiany obciążenia | cechy, dzięki którym widać zużycie |
| 3. Szacowanie pozostałego okresu użytkowania | Model analizy przeżycia (survival model) szacuje, jak prawdopodobna jest awaria w najbliższych tygodniach. Sieć neuronowa dla szeregów czasowych (LSTM) może rozpoznać w przebiegu sygnałów z czujników wzorzec, który poprzedza awarię | prawdopodobieństwo awarii dla każdej maszyny i okresu |
| 4. Porównanie z kalendarzem | model zostaje porównany z obowiązującym harmonogramem konserwacji pod względem czasu ostrzeżenia i liczby fałszywych alarmów | odpowiedź na pytanie, czy prognoza jest lepsza niż stały interwał |
| 5. Włączenie do utrzymania ruchu | ostrzeżenie trafia do systemu utrzymania ruchu jako rekomendowane zlecenie, z maszyną, okresem i proponowanym oknem konserwacji | decyzja, którą podejmuje osoba odpowiedzialna |
| 6. Monitorowanie i ponowne trenowanie | skuteczność mierzy się na bieżąco, a po przebudowach lub zmianie materiałów model trenuje się od nowa | model, który nadąża za przebudowami maszyny i zmianami materiałów |
Krok 4 najłatwiej pominąć, a przecież bez porównania z prostym harmonogramem konserwacji nikt nie wie, czy model jest wart swojej ceny. Dlatego proszę zapytać każdego dostawcę, także nas, z jakim punktem odniesienia porównano prognozę i ile fałszywych alarmów przypadało na jedno uzasadnione ostrzeżenie. Rzetelnego dostawcę poznają Państwo po tym, że przedstawi obie odpowiedzi, zanim zacznie mówić o modelu, i że powie również, kiedy projekt się Państwu nie opłaci.
W kroku 5 rozstrzyga się z kolei, czy ktokolwiek zareaguje na prognozę, bo ostrzeżenie wymaga zlecenia w systemie utrzymania ruchu i osoby, która za nie odpowiada.
Przykład obliczeń: 48 maszyn, 900 godzin nieplanowanego przestoju
Poniższy przykład to obliczenie modelowe dla fikcyjnej firmy z naszej serii o produkcji, a nie dane klienta. Zakład obróbki metali pracuje na trzy zmiany i ma 48 maszyn, z czego sześć to maszyny wąskiego gardła.
Pełne obliczenie modelowe w sześciu fazach| Założenie | Wartość |
|---|---|
| Nieplanowane godziny przestoju w roku | 900 |
| Koszty następcze jednej nieplanowanej godziny (stawka mieszana obejmująca utraconą marżę pokrycia na maszynach wąskiego gardła i bezczynność personelu przy pozostałych maszynach) | 750 euro |
| Koszty nieplanowanych przestojów w roku | 675 000 euro |
| Czas ostrzeżenia modelu (mediana) | 11 dni |
| Udział nieplanowanych godzin, które dzięki temu można zaplanować | 32 procent |
Przy wyprzedzeniu, którego mediana wynosi jedenaście dni, dział utrzymania ruchu może przenieść część interwencji na okresy niskiego obciążenia. Obliczenie modelowe zakłada, że w ten sposób 288 z 900 nieplanowanych godzin staje się godzinami planowanymi, a 612 godzin pozostaje nieplanowanych. Przy kosztach następczych 750 euro za każdą nieplanowaną godzinę te 288 godzin daje korzyść brutto w wysokości 216 000 euro rocznie.
Wszystkie wartości w tabeli są założeniami. Liczbę godzin i stawkę godzinową mogą Państwo ustalić we własnym zakładzie. Natomiast udział godzin, które dzięki wczesnemu ostrzeżeniu da się zaplanować, model musi dopiero wykazać. Dlatego każde takie obliczenie wymaga sprawdzenia w kilku wariantach:
| Scenariusz | Udział godzin możliwych do zaplanowania | Godziny możliwe do zaplanowania | Korzyść brutto w roku |
|---|---|---|---|
| ostrożny | 20 procent | 180 | 135 000 euro |
| obliczenie modelowe | 32 procent | 288 | 216 000 euro |
| korzystny | 40 procent | 360 | 270 000 euro |
Jak taki model prognostyczny wygląda w zakładzie produkcyjnym, z krzywą awaryjności, komunikatem konserwacyjnym i pilotażem na jednej linii, pokazuje zastosowanie predictive maintenance w produkcji.
Aby samodzielnie zrobić wstępne wyliczenie, wystarczą Państwu dwie liczby z własnego zakładu i jedno założenie dotyczące udziału godzin możliwych do zaplanowania:
Korzyść brutto w roku = nieplanowane godziny przestoju × koszty następcze jednej godziny × udział godzin możliwych do zaplanowania
Wartość nazywamy brutto, ponieważ we wzorze celowo pominięto dwie pozycje, które bardzo się różnią w zależności od zakładu. Pierwszą są fałszywe alarmy, bo każde ostrzeżenie, po którym nie następuje uszkodzenie, oznacza niepotrzebną interwencję. Drugą są koszty planowanej interwencji, przede wszystkim godzin przestoju, których ona wymaga. Interwencja i tak się przecież odbywa, tylko w korzystniejszym momencie. Obie pozycje należy uwzględnić w ewaluacji, zanim model trafi do eksploatacji.
Aby obliczyć okres zwrotu w latach, nakład jednorazowy dzieli się przez kwotę, która zostaje z rocznej korzyści brutto po odjęciu kosztów bieżących, czyli kosztów utrzymania modelu, fałszywych alarmów i planowanych interwencji. Jeśli na przykład w Państwa zakładzie występuje tylko 36 nieplanowanych godzin, a stawka godzinowa i udział godzin możliwych do zaplanowania są takie jak w przykładzie, korzyść brutto wynosi 8 640 euro rocznie, a taka kwota nie uzasadnia projektu. W takiej sytuacji harmonogram konserwacji według kalendarza jest rozwiązaniem bardziej ekonomicznym i mówimy to Państwu otwarcie.
Kiedy predictive maintenance się opłaca, a kiedy nie
Konserwacja predykcyjna opłaca się tam, gdzie spełnione są jednocześnie trzy warunki: nieplanowany przestój jest drogi, zużycie daje o sobie znać w mierzalnych wielkościach, a dotychczasowe awarie są udokumentowane.
O powodzeniu projektu najpierw przesądza trzeci warunek. Model uczy się pozostałego okresu użytkowania na odcinkach między dwiema awariami. Jeśli w historii konserwacji brakuje dat awarii albo są one zapisane tylko jako swobodny opis w zeszycie zmianowym, model pozostałego okresu użytkowania oparty na danych nie ma podstaw. Wtedy projekt zaczyna się od rzetelnej rejestracji awarii, a model pojawia się później.
Nasuwają się cztery błędne wnioski:
- Więcej czujników nie zastąpi historii awarii. Dodatkowe punkty pomiarowe dostarczają nowych sygnałów, ale nie dostarczają datowanych awarii, z których model mógłby się nauczyć pozostałego okresu użytkowania.
- Pilotaż na niekrytycznej maszynie niewiele dowodzi. Korzyść powstaje na maszynach wąskiego gardła, więc tam też powinien się odbyć pilotaż.
- Rzadkie awarie nie wystarczą do prognozy pozostałego okresu użytkowania. Jeśli dany typ maszyny psuje się tylko raz na kilka lat, modelowi brakuje przykładów. W takim przypadku lepiej sprawdzi się monitorowanie stanu z wartościami progowymi albo wykrywanie anomalii, które uczy się normalnej pracy maszyny.
- Ostrzeżenie bez osoby odpowiedzialnej idzie na marne. Przed startem musi być jasne, kto decyduje, czy w reakcji na prognozę koryguje się grafik zmian.
Odradzamy projekt, gdy przestój kosztuje niewiele, gdy uszkodzenie nie daje wcześniej żadnych sygnałów albo gdy brakuje historii i nie można jej zbudować w dającej się przewidzieć przyszłości.
Konserwacja predykcyjna w procesie data science
Taki projekt przechodzi przez sześć faz CRISP-DM. To model postępowania w projektach data science, w którym modelowanie jest tylko jedną z sześciu faz. Pytanie biznesowe z fazy 1 określa, jakiej części przestojów w ogóle da się uniknąć. W fazie 2 sprawdza się, czy awarie mają rzetelnie zapisane daty. W fazie 3, czyli podczas przygotowania danych, z wartości sekundowych powstają sygnały, po których model rozpoznaje zużycie. W fazie 4 powstaje model i zostaje porównany z harmonogramem konserwacji według kalendarza, a faza 5 pokazuje, czy czas ostrzeżenia wystarcza do działania. W fazie 6 ostrzeżenie trafia do systemu utrzymania ruchu, a monitoring pokazuje, czy prognoza po przebudowach nadal się sprawdza.
Wszystkie sześć faz CRISP-DM w skrócie Faza 3: przygotowanie danych Faza 6: wdrożenie i monitoringNajczęstsze pytania o predictive maintenance
Czym jest predictive maintenance?
Predictive maintenance to konserwacja predykcyjna: model na podstawie danych z czujników i z historii konserwacji szacuje, kiedy podzespół prawdopodobnie ulegnie awarii, tak aby interwencja odbyła się wcześniej i w dogodnym momencie. Od condition monitoring odróżnia ją czas ostrzeżenia, a od konserwacji według kalendarza oparcie na zmierzonym stanie maszyny.
Czym różni się predictive maintenance od condition monitoring?
Condition monitoring mierzy bieżący stan maszyny i zgłasza alarm, gdy wartość przekroczy próg. Konserwacja predykcyjna korzysta z tych samych pomiarów, ale dodatkowo przewiduje, kiedy nieprawidłowość przerodzi się w awarię. Różnica polega więc na czasie ostrzeżenia, a od niego zależy, czy interwencję da się zaplanować z wyprzedzeniem.
Jakich danych potrzebuje konserwacja predykcyjna?
Potrzebne są bieżące wartości z czujników, takie jak drgania, temperatura i pobór prądu, kody błędów ze sterowników oraz historia konserwacji, w której zapisano daty dawnych awarii. Szczególnie ważna jest historia, ponieważ nie da się jej zmierzyć wstecz. Bez udokumentowanych awarii model pozostałego okresu użytkowania oparty na danych nie ma podstaw.
Do jakich maszyn nadaje się konserwacja predykcyjna?
Nadaje się do maszyn, których awaria jest kosztowna, a zużycie daje o sobie znać w wartościach pomiarowych, na przykład maszyn wąskiego gardła z podzespołami obrotowymi lub obciążonymi termicznie. Czy maszyna się kwalifikuje, pokazuje wstępne wyliczenie uwzględniające godziny przestoju, koszty następcze jednej godziny i udział godzin możliwych do zaplanowania. Przy tanich lub redundantnych maszynach wyliczenie przemawia raczej za harmonogramem według kalendarza.
Ile kosztuje predictive maintenance i kiedy się opłaca?
Obliczenie ma trzy zmienne: nieplanowane godziny przestoju, koszty następcze jednej godziny i udział godzin, które dzięki wczesnemu ostrzeżeniu da się zaplanować. Ich iloczyn to roczna korzyść brutto. Po drugiej stronie stoją nakład jednorazowy, bieżąca eksploatacja oraz koszty fałszywych alarmów i planowanych interwencji. Czy projekt się opłaca, widać dopiero po odjęciu tych kosztów od korzyści brutto.
Czy konserwacja predykcyjna wymaga nowych czujników?
Niekoniecznie. Jeśli sterowniki i systemy nadrzędne już rejestrują pobór prądu, temperaturę i czasy cykli, pierwszym krokiem jest inwentaryzacja tych danych i ich luk. Nowe czujniki opłacają się dopiero wtedy, gdy wiadomo, jakiego sygnału brakuje i na której maszynie pozwoliłby on wcześniej wykryć zbliżającą się awarię.
Jak długo trwa, zanim predictive maintenance przyniesie wyniki?
Czas zależy od stanu danych i od pilotażu. Jeśli awarie z ostatnich lat mają daty, a wartości z czujników są kompletne, prognozę można wcześnie sprawdzić na znanych awariach. Jeśli brakuje rejestracji awarii, historia musi dopiero powstać. Pilotaż pokazuje następnie, czy czas ostrzeżenia potwierdza się w bieżącej pracy. Dlatego wiarygodny termin można podać dopiero po sprawdzeniu danych.
Od czego zaczyna się projekt konserwacji predykcyjnej?
Zaczyna się od pytania biznesowego i sprawdzenia danych. Najpierw trzeba oszacować, ile kosztuje nieplanowana godzina i na których maszynach takie godziny występują. Następnie sprawdza się, czy historia awarii wystarcza do prognozy. Dopiero potem przychodzi czas na pilotaż na maszynie wąskiego gardła, w którym prognozę porównuje się z obowiązującym harmonogramem konserwacji.
Policzmy razem koszty Państwa przestojów
Dwie liczby z Państwa zakładu i ostrożne założenie wystarczą, by wstępnie ocenić, czy predictive maintenance się u Państwa opłaci.
Zarezerwuj bezpłatną rozmowę wstępną