Następna generacja oprogramowania APM (asset performance management) integruje informacje z różnych systemów zarządzania zakładem przemysłowym w celu dostarczenia bardziej kompleksowego obrazu funkcjonowania i analizy procesów produkcyjnych.
Branża produkcyjna stoi u progu rewolucji związanej z wdrażaniem automatyki przemysłowej następnej generacji, napędzanej przez postępy w robotyce, sztucznej inteligencji i algorytmach uczenia maszynowego. Kapitałochłonne firmy produkcyjne, aby zachować konkurencyjność, muszą inwestować w automatykę przemysłową w większym stopniu niż kiedykolwiek przedtem, ponieważ globalna konkurencja wymaga od nich zwiększania efektywności poprzez zmniejszanie kosztów operacyjnych, podnoszenie produktywności i jakości wyrobów oraz ograniczanie zapasów w magazynach. Dlatego jednym z najwyższych priorytetów jest zwiększenie stopnia wykorzystania zasobów oraz eliminowanie strat w produkcji spowodowanych nieplanowanymi przestojami.
Obecne praktyki utrzymania ruchu
Przez ostatnich 50 lat praktyki w zakresie utrzymania ruchu ewoluowały pod względem niezawodności i dyspozycyjności sprzętu. Strategia organizacyjna UR dokonała postępu: od podejścia bazującego na eksploatacji urządzeń aż do wystąpienia ich awarii (run-to-failure), przez konserwację zgodną z harmonogramem, opartą na stopniu zużycia, wynikającą z kondycji maszyn, aż do ukierunkowanej na niezawodność (reliability-centered maintenance – RCM). Wyniki firm poprawiły się, jednak sprzęt nadal się psuje. Dlaczego?
Mimo że strategie utrzymania ruchu są coraz bardziej zaawansowane, nie rozwiązują głównego problemu: awarii spowodowanych przez eksploatację sprzętu wykraczającą poza ograniczenia konstrukcyjne oraz dotyczące bezpieczeństwa. Obecne praktyki w zakresie niezawodności, które koncentrują się tylko na problemach związanych z UR, takich jak zużywanie się i starzenie się sprzętu, nie zdołały wykryć pozornie przypadkowych awarii sprzętu, szczególnie tych spowodowanych przez skokowe zmiany warunków operacyjnych, które powodują najwięcej uszkodzeń.
Wraz z pojawieniem się technologii IIoT, analityki Big Data, uczenia maszynowego oraz innych metod analitycznych, pojawiła się szansa na lepsze rozwiązywanie problemów związanych z niezawodnością i dyspozycyjnością sprzętu. Potrzebna jest jednak nowa generacja systemów monitorujących oraz oprogramowania analitycznego, która zapewni lepszy wgląd w funkcjonowanie maszyn i urządzeń. Ich operatorzy potrzebują dokładnych rozwiązań predykcyjnych, które znacznie wcześniej przewidują możliwość wystąpienia awarii i ostrzegają przed nimi. Operatorzy potrzebują także jednoznacznych wskazań i zaleceń dotyczących unikania lub łagodzenia skutków przewidywanych awarii. Jednak sama analiza danych nie rozwiąże tego problemu. Firmy dostarczające rozwiązania analityczne muszą posiadać dodatkowo gruntowną wiedzę na temat procesów realizowanych w przemyśle, doświadczenie, a także wiedzę na temat projektowania, funkcjonowania i konserwacji systemów.
Nadejście APM 2.0
Następna generacja oprogramowania do zarządzania wydajnością zasobów (asset performance management – APM), czyli APM 2.0, czerpie swoją moc z integrowania informacji z różnych systemów zarządzania zakładem przemysłowym, takich jak systemy realizacji produkcji (manufacturing execution systems – MES). Dzięki temu zapewnia bardziej kompleksowy obraz i analizę procesów produkcyjnych oraz funkcjonowania zasobów. Dzięki uzyskiwaniu danych ze wszystkich systemów w zakładzie oprogramowanie to potrafi lepiej tworzyć wzorce normalnego i odbiegającego od normy zachowania się maszyn i urządzeń, co pomaga przewidywać ich stan techniczny w przyszłości i wykrywać możliwe przyczyny awarii. Te firmy, które na wczesnym etapie wdrożyły takie podejście do UR, uzyskały poprawę niezawodności swoich zasobów oraz ogólnych inicjatyw doskonałości operacyjnej.
Na przykład jeden z wiodących producentów pulpy i papieru zmodernizował swoją strategię APM, wprowadzając monitoring w czasie rzeczywistym, który korelował informacje zapisane w zakładowym oprogramowaniu do archiwizacji danych z przypadkami awarii w swoim systemie zarządzania zasobami. Krótko po wdrożeniu monitoring ten wykrył powtarzający się problem z przegrzewaniem się pieca oraz przewidział jego awarię za 9 dni i wygenerował ostrzeżenie przed tym zdarzeniem. Firma papiernicza wykorzystała wtedy analizę predykcyjną do zmiany warunków operacyjnych i zapobiegania w ten sposób przestojom.
Ten rodzaj praktycznych informacji opartych na rzeczywistych danych pomaga personelowi operacyjnemu i utrzymania ruchu współpracować oraz wspierać wspólne cele. Takie połączenie danych i sprawność mechanizmów ich analizy pomaga w lepszym zrozumieniu ryzyka, co daje możliwość równoważenia ograniczeń operacyjnych i okazję do zwiększenia wydajności produkcji w celu poprawy wskaźnika rentowności aktywów (return on assets – ROA).
Rozwijanie współpracy pomiędzy personelem operacyjnym a działem UR sugeruje, że dyspozycyjność i długi czas eksploatacji sprzętu jest obopólną odpowiedzialnością, wymagającą wspólnego i kompleksowego punktu widzenia. Zarówno personel operacyjny, jak i utrzymania ruchu potrzebuje mechanizmów wsparcia bazujących na danych w celu szacowania stopnia zużycia sprzętu i wykonywania jego dokładnej regulacji oraz odpowiednio wczesnego podejmowania interwencji i unikania w ten sposób uszkodzeń sprzętu. Za pomocą doskonałej diagnostyki predykcyjnej, takiej jak wczesne wykrywanie kawitacji, zanieczyszczeń w surowcach czy przedostawania się fazy ciekłej do gazowej w separatorach ropy i gazu (liquid carryover), a także generowanych w systemie wskazówek i zaleceń, operatorzy mogą reagować szybciej, wcześniej i bardziej skutecznie, zmieniając punkty nastaw w sterownikach procesu tak, aby warunki jego realizacji nie mogły spowodować szybszego zużycia lub uszkodzenia zasobów. W ten sposób wyeliminowana zostaje konserwacja wynikająca tylko i wyłącznie z realizowanego procesu.
Opisane wcześniej kluczowe i przełomowe technologie są ukierunkowane na strategię analityki fundamentalnej i badania danych, w szczególności na wykorzystanie algorytmów uczenia maszynowego. Prawidłowe wykorzystanie tych ostatnich w zarządzaniu i obsłudze zasobów produkcyjnych wymaga wiedzy specyficznej dla danej branży przemysłu – na temat procesów chemicznych, zasobów mechanicznych, praktyk UR itd. Wymaga też znajomości niuansów i wiedzy umożliwiającej interpretację złożonych danych z czujników oraz informacji o zdarzeniach związanych z utrzymaniem ruchu.
Doświadczyła tego firma chemiczna LyondellBasell. Jej przedstawiciel stwierdził, że nowa analiza zasobów obejmuje unikalny zestaw technologii modelowania i rozwiązań opartych na badaniu danych. Wykorzystanie dodatkowych praktycznych informacji dotyczących procesów, dostępnych dzięki temu nowemu oprogramowaniu, niesie ze sobą możliwość działania bliżej rzeczywistej granicy poziomu cieczy w wieży destylacyjnej. Dla firmy petrochemicznej o zasięgu światowym może to być warte miliony dolarów rocznie.
Uczenie maszynowe jako siła napędowa
Aby zwiększyć dyspozycyjność sprzętu, zapobieganie awariom musi wykorzystywać informacje oparte na danych (data-driven), co jest możliwe dzięki algorytmom uczenia maszynowego. Jest to dział informatyki, który dokonał ewolucji w badaniach nad rozpoznawaniem wzorców przy użyciu algorytmów, do rozwiązań, które uczą się i przewidują na podstawie danych, bez konieczności programowania lub wprowadzania reguł. Wykorzystane w tym kontekście uczenie maszynowe może pozwolić na uchwycenie degradacji urządzeń wywoływanej realizowanymi procesami, która powoduje większość awarii.
Zaawansowane oprogramowanie wspierające uczenie maszynowe przechwytuje wzorce zachowań ze strumieni danych cyfrowych pochodzących z czujników zainstalowanych na maszynach i urządzeniach procesowych oraz w ich otoczeniu, w połączeniu z innymi danymi dotyczącymi zdarzeń. Ta zaawansowana technologia, będąca z natury autonomiczna i wymagająca niewielkiej interwencji człowieka, w sposób ciągły uczy się i przystosowuje do nowych wzorców sygnałów, odpowiadających określonym parametrom roboczym maszyn, gdy warunki operacyjne się zmieniają. Oznaki awarii nauczone na jednej maszynie niejako „zaszczepiają” ją, zapewniając, że takie same warunki się nie zdarzą. Wyuczone sygnatury mogą być łatwo przenoszone do innych, podobnych maszyn, zapobiegając możliwości wpływu na nie tych samych warunków degradujących.
Dzięki tej wiedzy organizacje mogą odszyfrowywać wzorce zbliżającego się pogorszenia stanu technicznego zasobów, otrzymywać ostrzeżenia przed nim i odpowiednio przeciwdziałać. W ten sposób zapobiega się awariom i zwiększa wydajność produkcji. Dobrze demonstruje to doświadczenie jednej z firm wytwarzającej gaz ziemny. Przez ponad dekadę firma ta borykała się z problemem awarii kompresora, która nie była wykrywana przez metodologię RCM oraz najnowsze systemy wykrywania i analizy wibracji. Ponieważ nowoczesne oprogramowanie APM umożliwia oddzielenie zachowania się maszyn i procesów, firma ta mogła wreszcie zlokalizować podstawową przyczynę awarii tego kompresora.
Inna firma energetyczna z USA traciła miliony dolarów z powodu powtarzających się awarii elektrycznych pomp głębinowych. Zaawansowane oprogramowanie wspierające uczenie maszynowe nauczyło się zachowania operacyjnego 18 pomp na podstawie zarchiwizowanych wartości historycznych i zdarzeń związanych z konserwacją. Podczas tego okresu nauki w jednej pompie wykryto jednoznaczny wzorzec prowadzący do wycieku z obudowy, który powodował zanieczyszczenie środowiska. Dzięki zastosowaniu tej sygnatury awarii dla wszystkich 18 pomp aplikacja uczenia maszynowego dostarczyła odpowiednio wczesne ostrzeżenie do innej pompy, w której miała również nastąpić taka sama awaria.
Nowa granica wydajności
Innowacje technologiczne, takie jak nowoczesne sensory, technologia IIoT, uczenie maszynowe i technologie chmury obliczeniowej, nie tylko umożliwiają wykorzystywanie nowych metod analitycznych w przemyśle produkcyjnym, lecz także są bardziej skalowalne i opłacalne. W połączeniu z potrzebą firm, aby znaleźć nowe sposoby na zwiększenie doskonałości operacyjnej, doprowadziły nas do nowej ery produkcji – Przemysłu 4.0. Ta nowa rzeczywistość produkcyjna przezwycięża kluczowy problem niezawodności: ogromną liczbę zasobów wymagających obsługi i zarządzania. Wykorzystuje systemy cyberfizyczne do monitorowania procesów fizycznych i podejmowania zdecentralizowanych decyzji. Analizy zasobów i procesów są razem odpowiedzialne za tworzenie wieloaspektowego obrazu umożliwiającego podejmowanie decyzji opartych na faktach, uwzględniających szerszy zbiór kompromisów.
Uczenie maszynowe jest nową technologią, zaś metody konwencjonalne przewidywania wydajności pojawiły się już cztery dekady temu. Różnica pomiędzy nimi polega zarówno na stopniu zaangażowania człowieka, jak i dokładności przewidywania. Niewątpliwy sukces odnotowują techniki modelowania procesów, które wymagają jednak zrozumienia podstawowych zasad i specyficznych zachowań maszyn w procesach. Dynamiczne modele analizowane w czasie rzeczywistym zapewniają przewidywanie zachowania się zasobów w (dowolnym) czasie. Połączenie modeli i algorytmów uczenia maszynowego jest obecnie najlepszym podejściem, gwarantującym postęp i rozwój systemów zarządzania zasobami. Może ono pomóc w wykryciu symptomów oraz unikaniu ryzykownych warunków realizacji procesów. Pozwala również w dowolnym momencie na ustalenie jednoznacznych warunków i parametrów pracy maszyn, automatyczne kalibrowanie i dostrajanie modelu za pomocą uczenia maszynowego, tak aby osiągnąć aktualny, dokładny status procesu przy prostszej kalibracji.
Podsumowanie
Aby skutecznie wykorzystywać analitykę do zwiększenia bezpieczeństwa i niezawodności, trzeba dysponować pewnymi elementami, z których wiele opartych jest na zachowaniu i kulturze ludzi (firmy). Firmy muszą skoncentrować się na konkretnych problemach biznesowych, zanim znajdą odpowiednie rozwiązania (nie technologiczne), które będą zgodne z celami biznesowymi. Ale gdy jakaś firma zidentyfikuje te wyzwania i dokona ewolucji swojego myślenia strategicznego na temat APM, wzmocni istniejące inicjatywy doskonałości operacyjnej i zyska przewagę nad konkurencją.
Michael Brooks jest dyrektorem ds. konsultacji w sprawach zarządzania wydajnością zasobów w firmie AspenTech.
