Prediktívna údržba je forma preventívnej údržby, čo znamená, že koná skôr, ako k niečomu dôjde. Je to opak reaktívnej údržby, ktorá reaguje až vtedy, keď nastane problém. Prediktívna údržba spočíva v tom, že podniky a organizácie používajú rozšírenú analýzu a v súčasnosti už aj strojové učenie, ktoré hodnotia stav strojového zariadenia na základe dostupných údajov zo snímačov. Algoritmy prediktívnej údržby potom vyhodnotia údaje a predvídajú budúce zlyhania. Na základe týchto informácií môžu podniky vykonať údržbu skôr, ako dôjde k skutočnej chybe, čím sa zabráni neočakávaným prestojom spôsobeným napríklad časom dodania dôležitého náhradného dielu.

Monitorovanie stavu zariadenia je založené na premenných, ako sú vibrácie, teplota, tlak, hladina a stav oleja a generovaný hluk. Ak sa ktorákoľvek z týchto premenných odchýli od normálu, algoritmus môže určiť dobu potenciálneho hroziaceho zlyhania.

Predošlé vety síce znejú zaujímavo, ale naplnili sa očakávania využívania prediktívnej údržby v priemysle? Respektíve aká je realita jej využívania?

Očakávania

Väčšina zložitých a ťažko vymeniteľných častí strojného zariadenia je nákladná. Ako tieto zariadenia starnú, ich udržiavanie v prevádzke je čoraz dôležitejšie pre finančné zdravie firmy. So snímačmi IIoT dokážeme zohľadniť vek stroja a odhadnúť jeho zostávajúcu použiteľnú životnosť, čím sa šetrí cenný kapitál podniku.

Prediktívna údržba je schopná nájsť hlavnú príčinu poruchy strojového zariadenia. Navyše možno použiť umelú inteligenciu na štúdium týchto príčin a identifikovať existenciu vzorov v nich. Vzory, ktoré umelá inteligencia nájde, neskôr pomáhajú pri identifikovaní inej príčiny poruchy strojového zariadenia. Generované údaje a identifikované príčiny poruchy sa použijú na riešenie tohto existujúceho problému. Ak do riešenia prinesieme zmiešanú realitu, môžu byť technici vyškolení tak, aby pri údržbe neboli potrební výrobcovia zariadení, ale napomáhali pri jej riešení na diaľku. To môže ušetriť cestovné náklady, minimalizovať prestoje a zefektívniť celý proces.

Pomocou údajov z IIoT vieme simulovať aj budúci výkon stroja. Preto je prediktívna údržba považovaná za potenciálne prevratný nástroj, ktorý hrá veľkú úlohu pri určovaní harmonogramu výmeny strojového zariadenia alebo určitého dielu aj mesiace vopred. Podniky budú mať dostatok času na navrhnutie alternatív prípadne zaobstarania chybného komponentu.

Prediktívna údržba v Priemysle 4.0 je zjavne plná sľubov, ktoré sú v súlade s pokračujúcim rozmachom informačných technológií. No vyšlo najavo, že vyžaduje nákladný začiatočný kapitál a polovicu z neho mnohé spoločnosti nevyužívajú správne. Samotný potenciál prediktívnej údržby vám nezabezpečí pozitívne výsledky. Tie sa dosahujú snahou a využitím všetkého, čo prediktívna údržba prináša. Tiež sa ukázalo, že zavedenie prediktívnej údržby bolo a je pomalšie, ako sa očakávalo.

Realita

Realita prediktívnej údržby, bez ohľadu na to, ako očarujúco to znie, je, že nejde o kompletné riešenie. Fantasticky znejúce riešenie, ktoré je úzko prepojené s IIoT, však vyžaduje nesmierne veľa znalostí, plánovania a odhodlania. Implementácia bez rozmyslu je neúčinná a zbytočná.

Prediktívna údržba v Priemysle 4.0 je schopná spracovávať veľké množstvo údajov v snahe prísť s najlepším možným riešením. Nedostatočné množstvo údajov obmedzuje schopnosť prediktívnej údržby iba na predpovedanie porúch súvisiacich s vekom v častiach stroja. Bežnejšie a škodlivejšie problémy, ako sú napríklad zlyhania procesov alebo personálu, sú nad možnosťami takéhoto systému. Tieto neplánované výpadky môžu stáť veľké podniky aj milióny eur.

Riešením je, samozrejme, využitie dostatočného počtu IIoT snímačov a nástrojov na analýzu veľkého objemu údajov. To však predstavuje ďalšiu komplikáciu. Dopracovať sa k inteligentnej továrni je pre väčšinu výrobných spoločností zatiaľ vzdialenou víziou. Bez ohľadu na návratnosť investície považuje väčšina firiem začiatočnú investíciu do vybavenia všetkých zariadení a celej infraštruktúry so snímačmi IIoT za nesmierne vysokú. Náklady na inštaláciu sprevádzajú náklady na údržbu množstva snímačov. Túto investíciu nemožno opomenúť, pretože niekoľko nefunkčných snímačov môže skresliť zistenia systému, čo robí celé riešenie prediktívnej údržby kontraproduktívnym.

Najväčšou výzvou, ktorej spoločnosti pri pokuse o prechod na prediktívnu údržbu v súčasnosti čelia, je potreba zmeniť všetky interné procesy. Rozsiahle využívanie prediktívnej údržby vyžaduje, aby sa viaceré tímy spojili a spolupracovali. IT oddelenie musí byť dokonale synchronizované s oddelením údržby. Rovnako je potrebné prepojenie určitých oblastí závodu, ak treba vymeniť stroj alebo zabezpečiť náhradné diely v určitom čase. Narušenie tradičnej organizačnej štruktúry je obrovská úloha a v prípade reorganizácie musí podnik vynaložiť dostatočné úsilie na jej uskutočnenie, čo vyžaduje aj dostatok času a často aj finančné prostriedky.

Aj keď si mnohé podniky uvedomujú prínosy prediktívnej údržby, jej implementácia je stále na nízkej úrovni, a preto sa čoraz viac obracajú na reaktívnu údržbu. Preto by bolo vhodné, aby podniky, ktoré už prediktívnu údržbu implementovali vo svojich výrobných procesoch, poukázali na pozitívne, ale aj negatívne stránky jej využívania a urobili tak väčšiu osvetu. Tento krok by mohol viesť k zvýšenej miere využívania prediktívnej údržby.

Zdroje

[1] Why you should invest in Predictive Maintenance. Datumize. [online]. Citované 15. 1. 2021. Dostupné na: https://blog.datumize.com/why-you-should-invest-in-predictive-maintenance.

[2] Chowdhury, R.H.: Predictive Maintenance in Industry 4.0: Expectations vs Reality. Enquete. [online]. Publikované 4. 1. 2021. Citované 15. 1. 2021. Dostupné na: https://www.enquetegroup.com/blog/2021/01/04/predictive-maintenance-in-industry-4-0-expectations-vs-reality/.