Tradycyjne zapobiegawcze utrzymanie ruchu (PM) zaleca rutynową konserwację zasobów lub systemów, niezależnie od tego, czy wydajność uległa pogorszeniu, czy nie. Ustanawiając predykcyjne utrzymanie ruchu (PdM), producenci mogą lepiej zdefiniować optymalne okno czasowe, w którym należy przeprowadzić konserwację, w oparciu o przewidywany przyszły stan zdrowia wygenerowany na podstawie danych sprzętu.
Predykcyjne utrzymanie ruchu oparte na IIoT dostarcza dane do zakładowych systemów MES i ERP w celu poprawy wydajności biznesowej.
MES zarządza procesami produkcyjnymi. Dane pochodzące z czujników i skanerów mogą wymagać ręcznego wprowadzania danych przez operatorów i personel utrzymania ruchu. ERP koncentruje się przede wszystkim na transakcjach finansowych powiązanych z wydajnością produkcji, przedsiębiorstwa i łańcucha dostaw. Wiele systemów ERP płynnie łączy się z MES, a nie konkuruje lub nakłada się na siebie.
MES ma zasadnicze znaczenie dla predykcyjnego utrzymania ruchu i planowania zakładu. Systemy MES mają tendencję do bycia specyficznymi dla branży; system MES dla przemysłu lotniczego i kosmicznego ma inne obawy niż system MES dla przemysłu napojów.
Połączenie konserwacji predykcyjnej z MES zapewnia:
– Zintegrowany system umożliwiający korelację OEE i stanu maszyn.
– Ulepszone planowanie konserwacji prowadzące do lepszego planowania produkcji i skrócenia nieplanowanych przestojów.
– Zintegrowane zarządzanie utrzymaniem ruchu, w tym predykcyjne zlecenia pracy.
Ujednolicony pulpit nawigacyjny maszyny dla zdrowia, konserwacji i innych kluczowych wskaźników, wyprowadza i dystrybuuje optymalny harmonogram konserwacji.
Przykłady i studia przypadków predykcyjnego utrzymanie ruchu
Z naszego doświadczenia w opracowywaniu rozwiązań predykcyjnego utrzymania ruchu wynika, że 5% redukcja nieplanowanych przestojów może przynieść 2 mln zł rocznych oszczędności dla klienta z branży motoryzacyjnej, a 5-10% poprawa ogólnej efektywności sprzętu (OEE) pozwoliła zaoszczędzić producentowi lotniczemu 1,2 mln zł rocznie.
Dla producenta, który chce wdrożyć predykcyjne utrzymanie ruchu, obrabiarki CNC są doskonałym miejscem do rozpoczęcia.
Pierwszym krokiem jest monitorowanie przednich i tylnych łożysk wrzecion. Dane dotyczące drgań można mierzyć poprzez dodanie akcelerometru, zwykle instalowanego na obudowie wrzeciona. Inne dane, takie jak prędkość obrotowa wrzeciona i obciążenie lub numer programu, są przechwytywane ze sterownika maszyny za pośrednictwem protokołów takich jak OPC-UA lub MTConnect.
Dane ze sterownika dostarczają przydatnych informacji kontekstowych do zrozumienia danych drgań i prowadzą do opracowania odpowiedniego algorytmu predykcyjnego. Same dane ze sterownika maszyny są wystarczające do zbudowania modelu.
Ważne parametry modelu obejmują pozycję, prędkość i obciążenie rzeczywistych osi, a także odpowiednie wartości sterowane dla tych parametrów. Ponadto skupiamy się na wykrywaniu utraty obciążenia wstępnego i słabego smarowania osi liniowych lub śrub kulowych.
Aby ulepszyć predykcyjne utrzymanie ruchu za pomocą planowania predykcyjnego, potrzebne są dodatkowe dane z systemów MES i ERP. Dane te można podzielić na dynamiczne i statyczne.
Dane dynamiczne, takie jak harmonogram utrzmania ruchu i produkcji, są gromadzone z systemu MES, w tym czas rozpoczęcia i zakończenia każdej czynności oraz identyfikatory produkcji i operacji. Tymczasem informacje statyczne są zbierane z systemu ERP, w tym koszty części zamiennych i wysyłki, czas realizacji zamówienia części przez dostawcę, a także koszty napraw i przestojów. Są one potrzebne do określenia optymalnego harmonogramu utrzymania ruchu, który uwzględnia alerty predykcyjnego utrzymania ruchu o zbliżającej się awarii.
Wzbogacenie predykcyjnego utrzymanie ruchu o planowanie predykcyjne skutkuje ujednoliconym pulpitem nawigacyjnym przedstawiającym stan maszyn w zestawieniu z zaplanowanymi zleceniami produkcyjnymi. Wyświetla on również przydatne informacje, takie jak to, kiedy należy zamówić części zamienne i kiedy wymagane jest utrzymanie ruchu.
Dzięki ciągłemu monitorowaniu maszyn, zlecenia zmieniają kolor z zielonego na żółty, gdy rośnie potrzeba wymiany lub naprawy krytycznych części. Dzięki zintegrowanemu predykcyjnemu utrzymaniu ruchu i planowaniu, utrzymanie ruchu nie tylko wykorzystuje informacje o stanie maszyny do przewidywania awarii, ale zespół może teraz rozważyć ryzyko związane z realizacją zaplanowanych zleceń produkcyjnych w porównaniu z realizacją zadań utrzymania ruchu.
Konserwacja transakcyjna
Predykcyjne utrzymanie ruchu i monitorowanie mogą sprawić, że istniejący komputerowy system zarządzania utrzymaniem ruchu (CMMS) będzie bardziej efektywny, zarówno w odniesieniu do poszczególnych zasobów, jak i całego przedsiębiorstwa. Parametry maszyny i dane z czujników pobrane dla pulpitu każdej maszyny oraz główne raporty dotyczące stanu, prognoz i diagnostyki mogą zostać pobrane do głównego pulpitu CMMS.
Jeśli progi ostrzegawcze maszyny są bliskie przekroczenia, system predykcyjnego utrzymanie ruchu może automatycznie generować formularze żądania pracy dokumentujące zasób, zalogowanego operatora zgłaszającego żądanie, diagnostykę wymagającą uwagi, status zasobu (działający i wymagający kontroli lub niedziałający i wymagający naprawy), a także daty i godziny wykrycia i żądania pracy.
Potencjał predykcyjnego utrzymanie ruchu opartego na danych, pozwalającego zaoszczędzić setki tysięcy złotych rocznie, może zainspirować niektórych do myślenia na dużą skalę, ale często bardziej efektywne jest rozpoczęcie od małych działań, udowodnienie wartości i szybkie skalowanie. Skuteczna strategia obejmuje:
- Ocenę: zidentyfikuj projekt, zbierz zespół i oceń dojrzałość cyfrową istniejących procesów i uczestników.
- Dokumentację: potwierdź istniejącą strategię gromadzenia danych, udokumentuj uzasadnienie biznesowe i oblicz zwrot z inwestycji.
- Analizę: określ idealny stan końcowy dla projektu, jego pracowników i technologii.
- Deklarację pracy: wybierz komponenty (sprzęt, oprogramowanie, czujniki i oprogramowanie) potrzebne do wdrożenia i oszacuj wymagany czas.
- Wdrożenie: zbuduj szablony, przeprowadź projekt i skompiluj osiągnięcia.
- Skalę: zidentyfikuj wyciągnięte wnioski i zbuduj centrum doskonałości wokół projektu, aby zidentyfikować możliwości powtórzenia sukcesu w innych działach lub zakładach.
Udowodnienie wartości poprzez myślenie na dużą skalę, rozpoczęcie od małych kroków i szybkie skalowanie przenoszą produktywność, utrzymanie ruchu i planowanie zakładu z podejścia opartego na nadziei na najlepsze do podejścia, które nie może zawieść, ponieważ dane przepływają, a przeszkody są identyfikowane, zanim staną się problemami. Pracujesz teraz w inteligentnej fabryce.
Spojrzenie na krajobraz predykcyjny
Predykcyjne utrzymanie ruchu może służyć jako oczy, uszy, zmysł dotyku i zbiorowe doświadczenie operatora, kierownika zmiany i działu utrzymania ruchu.
Pracownicy działu utrzymania ruchu tradycyjnie wyczuwali, gdy coś nie wyglądało, nie brzmiało lub nie pachniało prawidłowo. Gdy coś „wydawało się” nie w porządku, często okazywało się, że tak nie jest. W innych przypadkach stosowano model fail-and-fix. Rezultatem były nieoczekiwane przestoje, zdenerwowani klienci, kontrola szkód i wzrost kosztów.
Pomyśl o Przemysłowym Internecie Rzeczy (IIoT) jako o konwergencji technologii informacyjnej (IT) i technologii operacyjnej (OT). Na dole piramidy znajdują się urządzenia na hali produkcyjnej (obrabiarki CNC, roboty spawalnicze, przenośniki i inne), które mogą przesyłać dane do chmury. Kolejną warstwą jest system kontroli nadzorczej i akwizycji danych (SCADA) do pozyskiwania danych z czujników lub sterowników maszyn. Aby zaangażować firmę, dane mogą być wprowadzane do systemu realizacji produkcji (MES), a wyniki udostępniane systemowi planowania zasobów przedsiębiorstwa (ERP) w celu usprawnienia przechwytywania danych i zastosowanej analizy.
Innowacje w monitorowaniu stanu
Prawdziwe predykcyjne utrzymanie ruchu oparte na danych maszynowych i analityce może prowadzić do niemal zerowych przestojów, zmniejszenia zapasów części zamiennych i bardziej efektywnego utrzymania ruchu dzięki dokładniejszemu średniemu czasowi między awariami (MTBF) i średniemu czasowi naprawy (MTTR).
Ciągłe monitorowanie zasobów produkcyjnych w celu poprawy predykcyjnego utrzymania ruchu prowadzi do lepszego zrozumienia stanu maszyn, wydajności i bezpiecznego planowania produkcji. Pomyślnie wdrożone podejście oparte na wielu szablonach umożliwia organizacji łatwe tworzenie modeli predykcyjnych, a także włączenie uczenia maszynowego i przemysłowej sztucznej inteligencji w celu ich szybkiego wdrożenia. Takie szablony obejmują:
- Opracowanie modeli poprzez zbieranie danych z obrabiarek, robotów, pomp, silników przenośników i innych systemów w celu opracowania modeli danych.
- Zidentyfikowanie funkcji do wykorzystania.
- Wybór i integracja metody uczenia maszynowego i sztucznej inteligencji.
- Tworzenie powtarzalnych schematów analizy.
- Szybkie wdrażanie rozwiązania i stały monitoring systemów w celu poprawy predykcyjnego utrzymania ruchu i planowania produkcji.
