Dlaczego Condition Monitoring nie wystarczy i warto wdrożyć predykcyjne utrzymanie ruchu?
10 maja 2021

Dlaczego Condition Monitoring nie wystarczy i warto wdrożyć predykcyjne utrzymanie ruchu?

dlaczego warto wdrożyć predykcyjne utrzymanie ruchu

Monitoring Stanu (CM) – wgląd w stan aktywów

Condition Monitoring (CM) jest procesem monitorowania parametrów stanu urządzenia (np. wibracji, temperatury) w celu identyfikacji zmian, które mogą świadczyć o rozwijającym się uszkodzeniu. Dzięki Condition Monitoring specjaliści odpowiedzialni za utrzymanie ruchu są w stanie monitorować cały zakład lub linię produkcyjną, a także pojedynczą maszynę lub jej komponent.

Stały dostęp do informacji i możliwość aktywnego monitorowania stanu maszyn, które daje CM, jest kolejnym krokiem w rozwoju przedsiębiorstw, które rezygnują z dotychczas realizowanych strategii utrzymania ruchu.  Podejście prewencyjne (realizowanie napraw zgodnie z kalendarzem) lub reaktywne  (podejmowanie działań po wystąpieniu awarii) nie wykorzystuje ogromnego potencjału danych, które generowane są przez maszyny, a tym samym naraża przedsiębiorstwa na straty i ogranicza wiedzę na temat aktywów.

Definicje opisujące monitorowanie stanu wyraźnie podkreślają relację między CM a predykcyjnym utrzymaniem ruchu (czy też Konserwacją Predykcyjną, ang. PdM) – CM jest jednym z głównych komponentów konserwacji predykcyjnej. 

predykcyjne utrzymanie ruchu a condition monitoring

Predykcyjne utrzymanie ruchu – zaawansowane analizy danych

Predykcyjne utrzymanie ruchu jest uznawane za jedno z najbardziej innowacyjnych rozwiązań w zakresie zarządzania aktywami przedsiębiorstwa i jest stosowane w wielu różnych sektorach przemysłu. Predykcyjne utrzymanie ruchu (PdM) to techniki opracowane w celu wspomagania określenia stanu urządzeń tak, aby ustalić właściwy czas wykonania prac konserwacyjnych. PdM, aby wypełnić złożoną w definicji obietnicę, korzysta z różnorodnych narzędzi. Tak więc w przypadku maszyn wirnikowych z pewnością skorzystamy z narzędzi CM (np. wibrodiagnostyki), natomiast dla urządzeń statycznych lub konstrukcji będą to badania nieniszczące (NDT – Non Destructive Testing) i monitoring strukturalny (SHM – structural health monitoring). 

Kolejnym, ważnym krokiem w rozwoju systemów PdM, względem wykorzystania narzędzi CM / NDT jest wykorzystanie narzędzi uczenia maszynowego (ML-Machine Learning) oraz sztucznej inteligencji (AI-Artificial Intelligence) – w skrócie analityki predykcyjnej. Narzędzia te dają możliwość wykonywania wielowymiarowych analiz wielkich zbiorów danych, które pozwalają na zrobienie kolejnego kroku względem klasycznych systemów diagnostycznych (jak klasyczna analiza poziomu drgań) – możemy nie tyle wykryć awarię w jej wczesnym stadium, ale w niektórych przypadkach także zaalarmować przed pojawieniem się awarii.  W tym celu wykorzystują wszystkie dostępne dane, łącząc informacje pochodzące z systemów diagnostycznych (m.in. CM, NDT, SHM), z informacjami z systemów kontrolno-pomiarowych, pomiarami środowiskowymi, itp.

Jednak „pełny” system PdM to nie tylko wczesne wykrycie uszkodzenia – ważne są także rozbudowane i właściwie dobrane systemy pomiarowe, przechowywanie i przesyłanie dużych ilości danych (w tym cyberbezpieczeństwo), analiza przyczyn awarii, odpowiednie wyszkolenie operatorów, współdziałanie z systemami ERP czy MES.

Dlaczego przedsiębiorstwa powinny wdrażać strategię predykcyjnego utrzymania ruchu? 

Techniki CM czy SHM zazwyczaj opierają się na znanych zależnościach fizycznych (np. wzrost drgań w danym paśmie częstotliwości). Utrzymanie ruchu wsparte analityką predykcyjną wykorzystuje dodatkowo analizę historycznych danych serwisowo-eksploatacyjnych, takich jak: duże zbiory danych z czujników (kilka lat / setki lub tysiące parametrów), dane na temat awarii i wykonanych napraw, dane opisujące parametry techniczne oraz proces eksploatacji maszyn, dane środowiskowe itp. Co więcej, techniki analityczne, w przeciwieństwie do klasycznych technik monitorowania stanu szeroko stosowanych w przemyśle  (takich jak wibrodiagnostyka), dają możliwość wielowymiarowej analizy danych.  Dzięki temu pozwalają nie tylko na wczesne wykrycie awarii, lecz także podejmują próbę jej predykcji jeszcze zanim się rozpocznie. Jeśli analiza drgań informuje nas o występującym już problemie na jego wczesnym etapie, to analiza predykcyjna przewidzi już wcześniej, że drgania mogą wzrosnąć oraz wskaże ich przyczynę.

Zaawansowane metody analityczne pozwalają również na jednoczesną analizę danych z całych instalacji bądź całego procesu, nie ograniczając się do danych płynących z pojedynczej maszyny. Często awaria powstaje na skutek pewnych anormalnych zdarzeń w procesie, których następstwa są propagowane przez kolejne etapy produkcji. Nawet najbardziej inteligentne czujniki nie będą w stanie wykonać zaawansowanych analiz i wygenerować odpowiednich wniosków.

Podsumowanie

Analityka predykcyjna polega na wyszukiwaniu zależności pomiędzy danymi, które wyjaśniają zjawiska powstawania awarii, a tym samym dają możliwość uniknięcia ich w przyszłości Z badań przeprowadzonych przez McKinsey & Company wynika, że wprowadzenie strategii predykcyjnego utrzymania ruchu w firmie pozwala na zaoszczędzenie nawet do 40% kosztów utrzymania ruchu w dłuższej perspektywie, a także na zmniejszenie nawet o 5% nakładów niezbędnych do nabycia maszyn i sprzętu. 

Nowszy post
Cyfrowy bliźniak i predykcyjne utrzymanie ruchu – rozwiązania, które zmieniają przemysł