Od budżetów domowych po wielomiliardowe projekty infrastrukturalne, zawsze pojawia się to samo pytanie: „Jeśli wydamy więcej teraz, czy będzie to opłacalne w dłuższej perspektywie?”. Gdy tematem są systemy mechaniczne, wybory budżetowe często obejmują „eksploatację do awarii”, UR według ustalonego harmonogramu lub monitorowanie oparte na stanie i predykcyjne UR. Pierwsze dwie opcje są proste i wymagają niewielkich początkowych inwestycji, ale nieoczekiwane awarie mogą być kosztowne, a nawet niebezpieczne. Trzecia opcja często wiąże się ze znacznymi inwestycjami w zasoby kadrowe, czujniki i oprogramowanie. Jednak w przypadku krytycznych aktywów i dużych operacji długoterminowe korzyści mogą z nawiązką uzasadnić początkowe koszty.
Jedna z form predykcyjnego UR wykorzystuje wbudowane czujniki do monitorowania i raportowania stanu maszyny oraz oprogramowanie do śledzenia trendów i anomalii w odczytach czujników i ostrzegania, gdy coś wymaga uwagi. Dobrze zaplanowany program predykcyjnego UR może zaoszczędzić pieniądze i wydłużyć żywotność sprzętu poprzez ograniczenie niepotrzebnego UR i ostrzeganie personelu o potencjalnych awariach między regularnie zaplanowanymi inspekcjami.
Archiwa danych zapewniają historię wydajności, ostrzegając ekipy UR, gdy nadejdzie czas na wstępne zamówienie części zamiennych i środków smarnych, pomagając im uniknąć długich przerw w świadczeniu usług. Archiwum danych zapewnia również możliwe do skontrolowania źródło dokumentacji w celu poparcia roszczeń gwarancyjnych i udowodnienia zgodności z normami branżowymi.
Rozpoczęcie pracy z predykcyjnym UR
Programy predykcyjnego UR mogą obejmować setki czujników generujących tysiące punktów danych dziennie, więc dobry system analizy oprogramowania jest koniecznością. Ilość czasu i dostosowań wymaganych do skonfigurowania systemu analizy predykcyjnej różni się w zależności od dostawcy, powiedział Daniel Paul, inżynier niezawodności / kierownik mechaniczny w Catalyst Paper, dużym producencie papieru i masy celulozowej w Kolumbii Brytyjskiej w Kanadzie. Zauważa on, że próby wykorzystania analityki predykcyjnej do ciągłego monitorowania i UR opartej na stanie są w toku. „To jest miejsce, do którego chcemy się przenieść” – powiedział – „ale łatwiej powiedzieć niż zrobić”.
Konfiguracja systemu analizy predykcyjnej wymaga gromadzenia i przesyłania danych w celu przeszkolenia oprogramowania systemu i dostosowania różnych wartości zadanych, które wyzwalają alarmy. Należy wziąć pod uwagę specyfikacje komponentów i prędkości robocze, a także wartości progowe wyzwalające alarm.
„Jeśli stworzysz szablon dla jednego systemu i prześlesz go do wszystkich, może się okazać, że nie otrzymasz dobrych danych z powrotem” – powiedział Paul. Ustawienie zbyt niskich progów alarmowych może skutkować zbyt częstymi alarmami, a ustawienie ich zbyt wysoko stwarza ryzyko przeoczenia sytuacji wymagających uwagi.
Konfiguracja systemu predykcyjnego UR
Mimo że koszty systemów i usług predykcyjnego UR spadają, w miarę jak technologia staje się coraz łatwiej dostępna, ich konfiguracja i uruchomienie mogą być kosztowne. Dlatego warto rozpocząć program predykcyjnego UR od kilku trwałych zasobów, które wymagają największej uwagi.
Proszę mieć w firmie kogoś, kto rozumie system i wie, kiedy automatyczny alert sygnalizuje prawdziwy problem, a nie pojazd przejeżdżający po nierównym terenie lub maszynę przetwarzającą w ciepłym obszarze zakładu. Alert w czasie rzeczywistym, który jest widoczny dopiero po kilku godzinach, może, ale nie musi być problemem, w zależności od rodzaju operacji. W sytuacjach, które mogą wymagać natychmiastowej reakcji, dobrze wyszkolony personel powinien być na miejscu przez wszystkie godziny pracy.
Należy jak najszybciej rozpocząć gromadzenie danych dotyczących wszystkich monitorowanych zasobów, korzystając ze znormalizowanego formatu i procedury. Dane te służą jako dane wejściowe dla algorytmu monitorowania i stanowią punkt odniesienia, który definiuje normalne warunki pracy. Znajomość systemów operacyjnych i tego, co stanowi nienormalne warunki, jest kluczem do skutecznego ustawiania progów alarmowych.
W miarę jak Państwa pracownicy będą coraz lepiej zaznajomieni z systemem, proszę uzyskać ich opinie na temat tego, jak ulepszyć program predykcyjnego UR. Czy alarmy pojawiają się zbyt często lub zbyt rzadko? Czy istnieją inne zasoby, które skorzystałyby na włączeniu ich do programu? Czy istnieją inne rodzaje danych, które należy gromadzić lub inne analizy, które należy przeprowadzić?
Jedną z zalet korzystania z czujników i oprogramowania do monitorowania systemu jest to, że dane mogą być gromadzone częściej – na przykład co godzinę lub nawet co sekundę – niż jest to typowe dla ludzkiego inżyniera, który może dokonywać ręcznych odczytów, powiedzmy, raz w miesiącu. Chociaż oprogramowanie jest zaprogramowane do wysyłania wiadomości e-mail lub SMS, gdy zarejestruje nieprawidłowy stan, inżynier musi nadal przeglądać dane i oceniać, czy wymagane są jakiekolwiek działania, powiedział Paul, a może to nastąpić kilka godzin po tym, jak oprogramowanie oznaczy potencjalny problem. W niektórych przypadkach jest to jednak zaleta, ponieważ inżynier ma kilka odczytów, na których może oprzeć decyzję, a nie tylko jeden.
Chase Benning, starszy inżynier projektu w Metro Vancouver, opisał konfigurację systemu w swojej poprzedniej pracy w Lehigh Hanson (obecnie Heidelberg Materials), z czujnikami, które generowały dane w skali 10 000 punktów danych na sekundę.
„Pracowałem przy wielu urządzeniach obrotowych, takich jak piece cementowe, młyny kulowe, młyny pionowe, sprężarki, pompy, pasy i przenośniki dla tego dużego dostawcy cementu, kruszyw, betonu towarowego i asfaltu” – powiedział.
Czujniki na sprężarkach zgłaszały wiele odczytów temperatury łożysk, czujniki młyna kulowego zgłaszały proste jednowymiarowe średnie odczyty drgań, a różne czujniki elektryczne zgłaszały napięcia i prądy. Ponieważ konfiguracja analityki predykcyjnej była już dobrze ugruntowana, Benning powiedział: „Umieszczenie kolejnego czujnika na dowolnym elemencie wyposażenia nie stanowiło większego problemu”.
Jednak dodanie większej ilości danych wymagało podjęcia decyzji, który sprzęt najbardziej skorzysta na dodatkowych czujnikach. Zauważa na przykład, że analityka predykcyjna nie była szczególnie potrzebna dla ich małej floty ładowarek, wózków widłowych i miniładowarek.
Dane z czujników zostały wprowadzone do oprogramowania analitycznego z interfejsem pulpitu nawigacyjnego. „Zostało ono zbudowane we własnym zakresie i było dość wyrafinowane” – powiedział Benning. Użytkownicy mogli skonfigurować pulpit nawigacyjny tak, aby wyświetlał trendy i inne wskaźniki dla określonego sprzętu. Monitorowali aktualnie aktywne trendy lub przeglądali trendy z przeszłości, aby zidentyfikować przyczyny awarii lub uzyskać poczucie tego, co było typowe dla konkretnego sprzętu. Korporacyjna grupa wsparcia IT i grupa kontroli procesów na miejscu pomogły w konfiguracji, wdrożeniu i wsparciu.
Benning zauważył, że ustanowienie tego typu programu ma sens tylko wtedy, gdy wartość objętych nim aktywów i ryzyko przestoju lub utraty produktu jest większe niż inwestycja czasu, pieniędzy, narzędzi i personelu w celu wdrożenia i prowadzenia programu.
Dodał, że duże operacje częściej mają wewnętrzne wsparcie w zakresie rozwoju oprogramowania, wsparcia i szkoleń. Instalacja czujników, UR i monitorowanie alertów również wymagają zasobów kadrowych.
„Program UR dla jednego urządzenia prawdopodobnie się nie zwróci” – powiedział. Dodaje jednak, że w miarę jak oprogramowanie do analizy predykcyjnej staje się coraz szerzej dostępne, nieco mniejszym operacjom łatwiej jest teraz skonfigurować podstawowy program UR. Przykładowo, czujniki w małej flocie ciężarówek mogłyby śledzić temperaturę silnika i wysyłać alerty za każdym razem, gdy przekroczone zostaną określone progi.
Alternatywne podejścia do UR
Operacje z drogimi aktywami, dużymi flotami pojazdów lub wysokim ryzykiem i dużymi kosztami związanymi z przestojami i stratami produktów mogą zyskać najwięcej dzięki predykcyjnemu UR. Mniejsze lub mniej krytyczne operacje mogą odnieść większe korzyści ze strategii takich jak UR oparte na stanie lub zaawansowane rozwiązywanie problemów.
Oba podejścia można skonfigurować do pracy z czujnikami na miejscu, które dostarczają dane w czasie rzeczywistym, ale wykorzystują te dane na różne sposoby i są mniej zależne od trendów i przewidywalności zdarzeń niż predykcyjne UR.
Jory Maccan, analityk ds. niezawodności floty w Imperial i jego współpracownicy rozważają wdrożenie programu wskaźnika stanu aktywów (AHI) w celu wsparcia działań związanych z predykcyjnym UR aktywów dla ciężkich pojazdów terenowych.
Podobne programy AHI są stosowane w branży wytwarzania i przesyłu energii elektrycznej. Zamiast planować UR w oparciu o ustalone daty, przebieg i godziny pracy, AHI opiera się na krytyczności zasobu, wynikach inspekcji terenowych i testów laboratoryjnych, czasie eksploatacji zasobu lub komponentu oraz częstotliwości i rodzaju alarmów czujników.
Śledzenie AHI aktywów umożliwia przypisywanie priorytetów w oparciu o poziomy ryzyka, a tym samym efektywne przydzielanie zasobów pieniężnych i zasobów ludzkich. Maccan zauważył, że generalnie tylko aktywa lub komponenty o wysokim ryzyku lub dużym wpływie uzasadniają czas i wysiłek potrzebny do wygenerowania i monitorowania AHI.
Chociaż czujniki i oprogramowanie mogą gromadzić i przetwarzać góry danych, gromadzenie wszystkich danych przez cały czas często nie jest najlepszym podejściem. Maccan powiedział, że wybór danych do uwzględnienia w AHI wymaga zidentyfikowania typów danych, które najbardziej przyczyniają się do podjęcia świadomej decyzji. Ponadto należy zidentyfikować i określić ilościowo istotne trendy w danych i progi działania – na przykład długość i dotkliwość pęknięcia strukturalnego oraz wartości progowe, które sygnalizują wysokie ryzyko awarii.
Odpowiednie warunki pracy obejmują ekstremalne temperatury, wilgotność lub zapylenie. Podejmowanie tych decyzji wymaga dogłębnego zrozumienia warunków specyficznych dla aktywów danej operacji, historii wydajności tych aktywów, tego, jak warunki aktywów wpływają na niezawodność systemu oraz jak niezawodność i ryzyko przekładają się na koszty.
Czujniki: Dane wewnątrz
W przypadku operacji przemysłowych, w których maszyny pracują w sposób ciągły, automatyczne odczyty czujników mogą stanowić prawdziwą zaletę. Na przykład, maszyna, która jest sprawdzana ręcznie raz w miesiącu, może mieć problem następnego dnia po sprawdzeniu, a problem nie zostanie wykryty aż do następnego odczytu wykonanego miesiąc później.
„Ten problem mógł być czymś niewielkim, co można było naprawić, ale zanim tam dotrzesz, jest to już problem, którego nie można po prostu naprawić, gdy [maszyna] działa. Trzeba wymienić części” – powiedział Paul.
On i jego współpracownicy widzieli wiele przypadków, w których odczyty czujników i automatyczne alerty pomogły im szybko zlokalizować i potwierdzić źródło problemu, co pomogło im usunąć problem na wczesnym etapie. Odczyty czujników wskazują również, kiedy maszyna pracuje normalnie, oszczędzając czas na rutynowych ręcznych kontrolach.
„Każdego dnia wymaga się od nas, abyśmy robili więcej przy mniejszej liczbie osób” – powiedział Paul, więc zapewnienie wydajności stało się koniecznością.
Paul dodał, że koszt instalacji i konfiguracji systemu analizy predykcyjnej dla dużych operacji może szybko się zwrócić. Wielkość inwestycji zależy między innymi od liczby zainstalowanych punktów monitorowania. Zwrot zależy od krytyczności systemu i potencjalnego UR przestoju spowodowanego awarią sprzętu.
Dodał, że systemy te podążają za trendem w kierunku niższych kosztów i większych możliwości. Zmienne obejmują koszty zakupu czujników lub ich wynajmu od dostawcy, a także koszty związane z opłatami licencyjnymi za oprogramowanie lub korzystanie z oprogramowania typu open source i dostosowywanie możliwości we własnym zakresie.
Maccan wyjaśnił, że stosuje monitorowanie stanu oleju smarowego w oparciu o analizę laboratoryjną próbek oleju i kontrolę zanieczyszczeń magnetycznych wychwyconych przez korki magnetyczne w strumieniu oleju (patrz rysunek 2). Okresowe wymiany oleju silnikowego w ciężkich pojazdach terenowych są planowane na podstawie wcześniejszych doświadczeń.
„Pracujemy dość konsekwentnie z liczbą godzin, które przepracowujemy w danym czasie”, wyjaśnia, „więc mamy naprawdę dobre pojęcie, gdzie nasz olej silnikowy się zepsuje”.
Poprzednie testy, w których okresy między wymianami oleju były stopniowo wydłużane, pozwoliły ustalić, po jakim czasie olej staje się kwaśny i obciążony produktami ubocznymi spalania. Informacje te zostały wykorzystane do ustalenia bezpiecznej strefy dla planowania wymiany oleju, powiedział, ale zmiana na inny rodzaj oleju wymagałaby powtórzenia tych testów.
Program analityczny, oparty na danych z poprzednich analiz, pozwala laboratorium uszeregować warunki próbek oleju w skali od 1 do 10, powiedział Maccan. Te rankingi są ważone w celu uwzględnienia norm środowiskowych i operacyjnych przy użyciu historii wyników analizy oleju dla podobnych komponentów w podobnych warunkach pracy. Benchmarki i średnie oczekiwane wartości żywotności oleju, filtrów powietrza i innych komponentów są ustalane na podstawie historycznych rekordów żywotności komponentów, wskaźników awaryjności i pierwotnych przyczyn awarii. Podejście to wymaga przestrzegania standardowych interwałów próbkowania, metod analizy danych i praktyk raportowania. Uzyskane dane można następnie wykorzystać do wygenerowania wiarygodnego kontekstu i interpretacji, a także umożliwienia porównania stanu aktywów w całej organizacji w celu zapewnienia solidnych i sprawiedliwych decyzji budżetowych.4
Czujniki pokładowe dostarczają danych do śledzenia wydajności sprzętu górniczego, powiedział Maccan. Czujniki wysyłają alerty do centrum dyspozytorskiego, a alerty te mogą być wykorzystane do utworzenia automatycznego zlecenia roboczego, ale zanim zlecenie zostanie przekazane do realizacji, musi zostać zatwierdzone przez człowieka. W ten sposób uszkodzony czujnik lub problem z okablowaniem nie spowoduje wielu niepotrzebnych zleceń pracy. Wyświetlacz ekranowy pokazuje godzinowe odczyty ograniczeń, które dają wczesne wskazanie, że filtr zaczyna się zatykać.
Podobnie jak ich terenowe odpowiedniki, jednym z głównych zastosowań czujników pokładowych w transporcie drogowym jest raportowanie aktualnego stanu pojazdu, powiedział Ahmed Mumeni, ekspert w dziedzinie elektryfikacji floty sektora publicznego w Kanadzie.
„Każdy rodzaj pojazdu elektrycznego (EV) jest zasadniczo komputerem na kołach” – powiedział. „Te pojazdy generują tak wiele danych. Jeśli podłączą się Państwo do tej sieci danych, mogą Państwo wykorzystać te dane do przeprowadzenia dowolnej analizy”.
Na przykład, branża oprogramowania powoli tworzy bardziej zautomatyzowane rozwiązania do zarządzania energią w sektorze transportu, powiedział, ponieważ floty pojazdów zawierają coraz więcej pojazdów elektrycznych.
Chociaż menedżerowie flot mogą być zmuszeni do zlecania analizy danych firmom programistycznym, mają oni szeroki dostęp do nieprzetworzonych danych pojazdów, powiedział Mumeni. Przytoczył on normę SAE J1939 opracowaną przez Stowarzyszenie Inżynierów Motoryzacji (SAE International). Ten zbiór standardów ma zastosowanie do szybkich sieci kontrolerów (CAN) dla pojazdów ciężarowych, w tym transportu drogowego.
„Coś takiego jak dane prędkościomierza transmitowane przez CAN mogą być ogólne dla wszystkich pojazdów zgodnych ze standardem SAE J1939” – powiedział.
Mechanik może podłączyć rejestrator danych do portu diagnostycznego w pojeździe i pobrać dane z czujników lub pojazd z kartą SIM może przesyłać dane przez połączenie internetowe, często w czasie rzeczywistym podczas jazdy. Nie wszystkie rodzaje danych są dostępne w ten sposób, dodaje. Przykładowo, producenci akumulatorów do pojazdów elektrycznych mogą szyfrować dane generowane przez czujniki w celu ochrony swojej własności intelektualnej.
Mumeni przyczynia się do wykorzystania modeli energetycznych do oszacowania ilości energii elektrycznej wymaganej do zasilania floty autobusów elektrycznych. Informacje te są wykorzystywane do tworzenia projektów głównych obiektów z infrastrukturą ładowania. Modele energetyczne uwzględniają stan baterii autobusu elektrycznego, pogodę i wykorzystanie pokładowych systemów ogrzewania i wentylacji, zmienne warunki terenowe i drogowe, zachowanie kierowcy, częstotliwość przystanków i liczbę pasażerów na pokładzie. Integracja wielu wzajemnie oddziałujących na siebie czynników, które mają wpływ na dobór rozmiaru i zaprojektowanie infrastruktury ładowania dla floty elektrycznych autobusów miejskich lub samochodów dostawczych, która może obejmować setki pojazdów, nie jest trywialnym zadaniem – powiedział.
Ponieważ autobusy kursują według ustalonych rozkładów jazdy i wracają do zajezdni pod koniec dnia, zajezdnie autobusowe muszą mieć wystarczającą liczbę stacji ładowania, aby upewnić się, że wszystkie autobusy są w pełni naładowane i gotowe do jazdy następnego ranka. Usługi tranzytowe mogą jednak zaoszczędzić znaczne kwoty pieniędzy, ładując swoje pojazdy w nocy poza godzinami szczytu, kiedy stawki za energię elektryczną są niższe.
Czas potrzebny na naładowanie akumulatorów pojazdów elektrycznych, zwłaszcza w przypadku większych pojazdów, jest dłuższy niż w przypadku tankowania benzyny lub oleju napędowego, co również ma wpływ na określenie optymalnej liczby stacji ładowania.
Dane dotyczące ładowania pojazdów dostarczają cennych informacji na temat tego, jak długo autobus danego rozmiaru pokonujący dany typ trasy może jechać, zanim będzie potrzebował kolejnego ładowania, a wszystkie te czynniki muszą zostać uwzględnione w harmonogramie ładowania.
Innym środkiem zwiększającym wydajność, jak powiedział Mumeni, jest ogrzewanie lub chłodzenie przedziałów pasażerskich autobusu do żądanej temperatury, gdy autobus znajduje się w zajezdni, procedura zwana kondycjonowaniem wstępnym. Wykorzystanie energii z sieci elektrycznej do podniesienia temperatury wnętrza autobusu do żądanej wartości zadanej pozostawia więcej energii akumulatora do napędu i wydłuża zasięg, jaki autobus może pokonać na jednym ładowaniu. Podejście to wymaga przyjęcia i wdrożenia standardów kondycjonowania wstępnego pojazdów wbudowanych w stacje ładowania w zajezdni, a w rozkładach jazdy autobusów należy uwzględnić wystarczającą ilość czasu na ukończenie kondycjonowania wstępnego.
Czy oprócz zarządzania energią, inne funkcje wykrywania i przewidywania byłyby przydatne dla dużych flot pojazdów elektrycznych?
„Zasadniczo zaczyna Pan od ogólnych pytań – czy podsystemy na pokładzie danego pojazdu elektrycznego są sprawne?” powiedział Mumeni. „Czy układ napędowy jest sprawny? Czy akumulator jest sprawny? Czy ma optymalną temperaturę pracy? Czy na pokładzie jest wystarczająca ilość płynu chłodzącego, który może utrzymać temperaturę akumulatorów? Czy w skrzyni biegów jest wystarczająca ilość oleju przekładniowego?”
Jak dodaje, potrzeby w zakresie UR pojazdów elektrycznych nie są tak uciążliwe, jak w przypadku pojazdów z silnikami spalinowymi, ale temperatury zewnętrzne wpływają na zasięg pojazdu elektrycznego, a zatem kontrola temperatury akumulatora jest nowym zagadnieniem dla operatorów flot pojazdów elektrycznych. Niektóre pojazdy elektryczne mają skrzynie biegów (choć różnią się one od konwencjonalnych skrzyń biegów silników spalinowych) i wymagają olejów przekładniowych i różnicowych.
Oprogramowanie: Dane na zewnątrz
Różne systemy oprogramowania oferują różne poziomy przewidywania, powiedział Paul. Systemy, które dokonują częstych odczytów mogą dostrzec trendy i wzorce w warunkach pracy. Nie osiąga to jeszcze poziomu przewidywania problemów, powiedział, choć algorytmy zmierzają w tym kierunku. W jego branży programy analityczne oznaczają wady łożysk i ich zużycie w miarę ich rozwoju, co może wskazywać na wyższe ryzyko awarii w przyszłości. Zauważa on, że w przemyśle motoryzacyjnym, gdzie wiele czujników stale gromadzi i przesyła dane za każdym razem, gdy pojazd jest w ruchu, niektóre rodzaje wibracji lub hałasów mogą z dużą dokładnością przewidzieć awarię części. Ostrzega jednak, że identyfikacja określonych rodzajów usterek na podstawie odczytów czujników nadal wymaga ludzkiej interpretacji oraz znajomości systemu i jego warunków pracy.
Czujniki pochodzące od różnych dostawców zazwyczaj generują podobne rodzaje odczytów, powiedział Paul. Na przykład widmo wibracyjne będzie wyglądać tak samo, niezależnie od tego, który dostawca dostarcza czujnik. Różnica polega na tym, w jaki sposób oprogramowanie dostawcy przechowuje i obsługuje te dane. Duży zakład przemysłowy może mieć jeden lub więcej systemów do zbierania i analizowania danych z czujników oraz inne systemy do archiwizacji danych. Jeszcze inny system może być wykorzystywany do gromadzenia i integrowania danych z różnych czujników i innych źródeł oraz generowania rutynowych raportów i wykresów.
W przypadku starszych systemów lub sieci, które łączą kilka rodzajów oprogramowania, przesyłanie danych z jednej części systemu do drugiej w sposób terminowy i dokładny może być trudne. Wielu dostawców oprogramowania używa zastrzeżonych kodów, co utrudnia przenoszenie danych z jednej aplikacji do drugiej bez ponoszenia dodatkowych opłat licencyjnych, powiedział Paul.
„Albo zablokuje to Państwa u dostawcy A, albo odciągnie Państwa od niego i pójdziecie do kogoś, kto ma dane open-source, ponieważ wtedy można je skierować do innego systemu”.
Maccan pracuje w nowszej operacji, a cała technologia komputerowej dyspozytorni, z której korzystają, ma mniej niż dekadę. Nowsze oprogramowanie komercyjne wymaga dość standardowych wejść i wyjść, a kompatybilność między producentami sprzętu nie jest szczególnym problemem, powiedział.
Ponadto, ich dostawcy rutynowo dostarczają aktualizacje i ulepszenia oprogramowania, dzięki czemu nie mają wciąż działających starszych systemów, a używane przez nich czujniki dostarczają dane w formie, która jest użyteczna dla każdego z głównych dostawców usług analitycznych.
Inne podejście jest wymagane, gdy aplikacja jest tak nowa, że istnieje niedobór danych, na których można się oprzeć. Duże floty pojazdów elektrycznych to wciąż nowa koncepcja, a rzeczywiste dane dotyczące zarządzania energią i wydajności pojazdów w tej skali są nadal rzadkie, powiedział Mumeni. W związku z tym menedżerowie flot polegają na modelach matematycznych w celu przewidywania zużycia energii i wymagań dotyczących infrastruktury ładowania oraz optymalizacji harmonogramów pracy. Wyniki dla jednej floty mogą nie mieć uniwersalnego zastosowania ze względu na czynniki specyficzne dla danej lokalizacji, takie jak sezonowe ekstremalne temperatury.
Mumeni zauważył, że menedżerowie flot często polegają na firmach konsultingowych, które przeprowadzają analizy energetyczne dla określonych flot i tras, korzystając z własnych zastrzeżonych modeli. Ekstrapolacja wyników z jednej analizy na większą flotę lub inny zestaw tras może nie dać dokładnych wyników, więc menedżer floty często musi zawrzeć umowę z konsultantem na wiele analiz, a koszty mogą szybko wzrosnąć.
Czynnik ludzki w predykcyjnej zapobiegawczym UR
Benning powiedział, że wdrożenie programu analizy predykcyjnej w jego zakładzie było łatwe, ponieważ istniał już ustalony program UR, a oprogramowanie do monitorowania i analizy było dobrze zbudowane. Personel na miejscu szybko przyspieszył po szkoleniu i spodobała mu się łatwość gromadzenia danych oraz jakość ich prezentacji. „Proces decyzyjny jest nadal taki sam; po prostu przyzwyczajamy się do nowych pulpitów nawigacyjnych” – powiedział.
Oprogramowanie nie może jednak zrobić wszystkiego, powiedział Benning. „Jeśli patrzy Pan na dane i ich nie interpretuje, traci Pan czas”.
Niektóre alarmy czujników są połączone z blokadami, dzięki czemu po przekroczeniu progu wibracji, temperatury lub innego progu sprzęt automatycznie się wyłącza. Inne alarmy wymagają od człowieka zapewnienia kontekstu, w oparciu o zrozumienie charakterystyki konkretnych elementów wyposażenia. Przykładowo, dwa przypuszczalnie identyczne młyny kulowe działające w tym samym obiekcie mogą generować różne dane operacyjne, więc analiza wymaga różnych interpretacji.
Benning zauważa, że nawet zautomatyzowane, generowane przez oprogramowanie zlecenia pracy są weryfikowane przez personel UR przed ich wykonaniem. Zbyt duża liczba alarmów, zwłaszcza jeśli są one wyzwalane przez inne zdarzenia, takie jak rutynowe inspekcje, które wymagają wielokrotnego podnoszenia i opuszczania sprzętu, może spowodować, że operatorzy zignorują lawinę e-maili i SMS-ów. Kategoryzowanie alarmów według pilności może pomóc, powiedział, ale „można je kategoryzować tylko tak bardzo”.
Oprogramowanie do uczenia maszynowego (ML), które uczy się na podstawie danych, aby lepiej przewidywać, zaczyna się pojawiać, powiedział Paul, ale wciąż jest to na wczesnym etapie. Powiedział, że ludzki wgląd jest nadal potrzebny, aby „zamknąć pętlę”.
Oznacza to, że gdy oprogramowanie wskazuje na istnienie problemu, człowiek potwierdza, czy faktycznie był to problem i dostarcza informacji na temat jego wagi. Ten rodzaj walidacji modelu może zwiększyć zaufanie do modelu i umożliwić algorytmowi uczenia maszynowego rozróżnienie między typowymi i nietypowymi sytuacjami.
Zautomatyzowane zlecenia pracy mogą sprawdzić się w takich zastosowaniach jak automatyczny system smarowania, powiedział Paul. System można ustawić tak, aby nakładał smar w określonych odstępach czasu i monitorował stały strumień sygnałów ultradźwiękowych pochodzących z czujników. Jednak nawet w tym przypadku człowiek jest zaangażowany w proces decyzyjny, powiedział.
Na przykład, gdy system wykryje odczyt czujnika, który przekracza ustawiony próg, wysyła wiadomość do operatora, aby potwierdzić lub anulować polecenie nałożenia większej ilości smaru na dotkniętą część.
System można zaprogramować tak, aby nakładał dodatkowy smar bez wcześniejszego potwierdzenia, ale generuje raport, jeśli określona część zaczyna wymagać częstszego nakładania smaru. Daje to operatorowi lub inżynierowi czas na sprawdzenie części pod kątem rozwijającego się problemu i zamówienie części zamiennej oraz zaplanowanie konserwacji lub napraw, jeśli zajdzie taka potrzeba. „Ale nie jesteśmy jeszcze w pełni autonomiczni” – powiedział.
Zautomatyzowane czujniki w niedostępnych obszarach papierni mogą zapewnić, że odczyty są dokonywane i rejestrowane rutynowo, bez potrzeby, aby operator odbywał specjalną podróż w celu sprawdzenia maszyn, które w przeciwnym razie działają dobrze samodzielnie.
Istnieją miejsca w papierni, w których nikt rutynowo nie przechodzi, powiedział Paul. Zautomatyzowane czujniki w tych lokalizacjach mogą zapewnić, że odczyty są dokonywane i rejestrowane rutynowo, bez potrzeby, aby operator odbywał specjalną podróż w celu sprawdzenia maszyn, które poza tym działają dobrze samodzielnie. Gdy pojawia się potencjalny problem, człowiek wkracza do akcji i ocenia sytuację, dodaje. „Jak złe jest to łożysko? Proszę spojrzeć na trendy” – powiedział. „Niezależnie od tego, co pokazuje trend, chcę tam wyjść, dotknąć go i upewnić się, że jest to element, o którym myślę”. Wyjaśnił, że maszyna papiernicza może mieć 12 łożysk w promieniu sześciu stóp. Nieprawidłowy odczyt dla jednego łożyska może wskazywać na problem ograniczony do tego jednego łożyska lub odczyt może być objawem szerszego problemu. „Lubię sprawdzać, zanim faktycznie zlecę ludziom wykonanie pracy. Co należy zrobić?”
W działalności przemysłowej, która działa 24 godziny na dobę, 7 dni w tygodniu, niemożność przenoszenia danych z jednej aplikacji do drugiej może opóźnić reakcje na alerty.
„Jeśli system informuje, że trzeba zmienić łożysko, nikt o tym nie wie, z wyjątkiem jednej osoby, która otrzymała powiadomienie, i czekasz, aż ta osoba je zobaczy” – powiedział Paul.
Na przykład odczyty drgań z różnych czujników są przesyłane do oprogramowania do śledzenia drgań i do archiwum danych, które wszyscy operatorzy mają w swoich pokojach kontrolnych. Operator może zaobserwować wzrost wibracji w konkretnej maszynie, ale informacja ta może nie być wystarczająca do zidentyfikowania konkretnego problemu. Dopóki wykwalifikowana osoba nie zidentyfikuje i nie zdiagnozuje problemu, nie można podjąć żadnych działań w celu jego usunięcia.
„Potrzebny jest ktoś, kto przyjdzie i powie, co się dzieje” – powiedział. System może zostać uderzony lub śruba mocująca akcelerometr do maszyny może się poluzować. Zmiana temperatury lub wilgotności może zmienić odczyt. „Niektóre z tych maszyn pracują w dość nieprzyjemnych warunkach”, powiedział, więc automatyczny alert może sygnalizować coś innego niż początkową awarię części.
Ludzie mogą również wychwycić sytuacje, które wymagają uwagi, ale nie uruchamiają automatycznego alarmu. Maccan przytacza przykład, w którym anomalny odczyt czujnika zasygnalizował pęknięcie w rurze wlotu powietrza, które pozwalało wlotowi wciągać kurz do systemu. Analityk patrzący na ekran zauważył wartość odstającą w paśmie danych z wielu punktów próbkowania i zauważył serię nietypowo niskich odczytów ograniczenia wlotu.
System, który był ustawiony na monitorowanie zatkanych filtrów powietrza, nie miał alarmu wyzwalającego niskie ograniczenia. „Świadomość sytuacyjna jest ważna, gdy patrzy się na tego rodzaju dane” – powiedział.
W przeciwieństwie do stacjonarnego sprzętu w fabryce, sprzęt górniczy porusza się po nierównym terenie, więc wibracje są częścią normalnej pracy. „W środowisku górniczym wibracje muszą być znaczące, aby uruchomić alarm” – powiedział Maccan.
Do tego czasu uszkodzenie łożyska przekroczyło punkt łatwej interwencji, ale zauważa, że byli w stanie wychwycić anomalię w siatce przekładni, zanim uległa ona awarii. „Pozwoliło nam to wprowadzić pewne poprawki i zyskać trochę czasu”.
Maccan i jego koledzy przyjrzeli się aplikacjom do uczenia maszynowego, aby zwiększyć swoje możliwości predykcyjne, ale, jak powiedział, „nie jesteśmy jeszcze w miejscu, w którym możemy im zaufać i sprawić, by działały na skalę, której potrzebujemy”.
Obecnie wykorzystują oni gromadzone dane do identyfikowania awarii na wczesnych etapach, a nie do przewidywania ich z wyprzedzeniem. „To wciąż w dużej mierze oczy na ekranie komputera i technicy na sprzęcie” – powiedział.
Jego centrum serwisowe jest obsługiwane przez 24 godziny na dobę, więc jeśli czujnik uruchomi alarm, ktoś zawsze jest na miejscu, aby to sprawdzić i w razie potrzeby podjąć odpowiednie działania.
Stałe monitorowanie z pokoju kontrolnego jest szczególnie konieczne, biorąc pod uwagę, że większość sprzętu działa autonomicznie. Maccan pracuje w pierwszej tego typu operacji w Ameryce Północnej, w której zastosowano autonomiczny sprzęt na tak dużą skalę. Wiele nauczyli się o najlepszych praktykach z podobnej operacji w Australii, ale inne rzeczy musieli odkryć sami, jak powiedział, na przykład prowadzenie operacji w kanadyjskiej zimie.
„Ludzie, których mamy w dyspozytorni, są mechanikami ciężkiego sprzętu i spędzili czas pracując na sprzęcie, więc mają wiedzę na temat konserwacji” – powiedział.
Wyświetlacze w kabinach ładowarek, koparek i innego sprzętu, który wymaga obsługi przez człowieka, pozwalają operatorowi natychmiast zobaczyć, czy wystąpił problem. Alarmy te mogą mieć charakter wyłącznie informacyjny lub mogą sygnalizować sytuację, którą należy szybko sprawdzić. Najwyższy poziom dotkliwości sygnalizuje sytuację, która wymaga natychmiastowego wyłączenia sprzętu – na przykład niskie ciśnienie oleju silnikowego lub wysoka temperatura płynu chłodzącego.
Niezbędne jest również wsparcie ze strony dostawców systemów. „Szukamy dostawców i producentów z udokumentowaną historią”, powiedział Maccan, a także programów kontroli jakości, takich jak ISO 9001.
„Szukamy również kogoś, kto jest w stanie wejść w ich proces” – powiedział, odnosząc się do zdolności dostawcy do szybkiego zidentyfikowania problemu z systemem jednego klienta i powiadomienia innych klientów o problemie, aby mogli podjąć odpowiednie działania, zanim wpłynie to negatywnie na ich działalność. „Jeśli w innej kopalni wystąpi problem z systemem, dobrze jest wiedzieć, że dostawca znalazł problem i poinformował, że udało mu się go wyeliminować”.
Często, jeśli klient zgłasza problem, sprzedawca prawdopodobnie widział go już wcześniej i może wydać odpowiednie zalecenia. „Dobrze jest mieć tego rodzaju kompetencje w zakresie łańcucha dostaw” – powiedział.
Opracowanie silnego zwrotu z inwestycji (ROI)
W przypadku dużych operacji, drogich aktywów lub krytycznych procesów, armia cyfrowych asystentów do nadzorowania maszyn może być warta inwestycji. Ciągłe strumienie danych – oraz oprogramowanie do ich agregowania, analizowania i archiwizowania – mogą zapewnić cenny wgląd w decyzje dotyczące UR, optymalizacji procesów i planów zakupowych.
Sprzedawcy mogą szybko zidentyfikować problem z systemem jednego klienta i powiadomić innych klientów o problemie, aby mogli podjąć działania, zanim wpłynie to negatywnie na ich działalność.
Analityka predykcyjna pomaga również pracownikom lepiej komunikować się z kierownictwem, powiedział Benning. Dane i analizy, które wspierają biznesowe przypadki ulepszeń, dokładne śledzenie przestojów i posiadanie analizy wiodących wskaźników potencjalnych awarii, mogą pomóc menedżerom w postrzeganiu decyzji operacyjnych pod kątem ich wpływu na biznes.
Komputery nie mogą zrobić wszystkiego (jeszcze) – konserwacja predykcyjna nadal wymaga ludzi z wiedzą i doświadczeniem, aby zapewnić kontekst, interpretację i weryfikację. Jednak wraz z rozwojem systemów cyfrowych, korzyści z nich płynące mogą stać się dostępne dla znacznie większej liczby operacji.
ODNIESIENIA
- Beckman, M. (2021), „Predictive maintenance polishes up mining”, TLT, 77 (1), s. 38-40. Dostępne tutaj.
- Mudrick, R. (21 lutego 2023), „Czy konserwacja predykcyjna może chronić Państwa firmę?” Business News Daily. Dostępne tutaj.
- Aikin, A. R. (2021), „The process of effective predictive maintenance”, TLT, 77 (2), s. 34-40. Dostępne tutaj.
- Maccan, J., CMRP i Mann, J., M.A.Sc, P. Eng, „The application of the asset health index in oilands mining,” Canadian Institute of Mining (zawartość tylko dla członków).
- Zbiór norm SAE J1939. Dostępny tutaj.
