Zauważany w ostatnich latach postęp technologiczny w przemyśle to przede wszystkim efekt gwałtownego rozwoju technik komputerowych oraz ich wszechstronnych zastosowań. Następstwem tego postępu jest między innymi czwarta rewolucja przemysłowa (Industry 4.0) oraz pojawienie się takich pojęć, jak Internet rzeczy (The Internet of Things – IoT) czy Big Data. Geneza tych pojęć jest bezpośrednio związana z dynamicznym wzrostem ilości danych pozyskiwanych i gromadzonych przez zakłady przemysłowe.
W dzisiejszych czasach nawet niewielkie przedsiębiorstwa posiadają setki urządzeń, które bez przerwy mierzą wartości procesowe oraz komunikują się między sobą, generując ogromne ilości danych zawierających wartościowe informacje. Zgodnie z ostatnim raportem McKinseya na temat Big Data, zakłady przemysłowe generują więcej danych niż jakiekolwiek inne źródło. Odpowiednia analiza tych danych daje możliwość wdrożenia efektywnego programu utrzymania technicznego maszyn, a w konsekwencji zwiększa zyski z produkcji i minimalizuje koszty eksploatacyjne. Predykcyjne utrzymanie ruchu – Predictive Maintenance (PdM) to najnowocześniejsze podejście do utrzymania technicznego maszyn, które ze względu na swoją ogromną efektywność zyskuje coraz więcej zwolenników. Podejście to powstało na skutek szybkiego rozwoju technik z obszaru analityki predyktywnej (modelowanie statystyczne, Machine Learning, Data Mining itd.) oraz wzrostu powszechni dostępnej mocy obliczeniowej komputerów, które razem dają możliwość efektywnej analizy historycznych i bieżących danych celem dokonania prognoz przyszłych, nieznanych zdarzeń. Utrzymanie ruchu planowane z wykorzystaniem analityki predyktywnej sprowadza się więc do analizy historycznych danych serwisowo-eksploatacyjnych, takich jak: dane z sensorów, dane na temat awarii i wykonanych napraw, dane opisujące parametry techniczne oraz proces eksploatacji maszyn, dane środowiskowe itp. Cel predykcyjnego utrzymania ruchu polega na wyszukaniu w nich odpowiednich zależności, które wyjaśniają zjawiska powstawania awarii, a tym samym dają możliwość ich przewidywania w przyszłości. Wyszukiwanie tych powiązań nazywamy procesem uczenia się, same zaś zależności – modelem predykcyjnym. Na podstawie aktualnych danych procesowych, przy użyciu odpowiednio skonstruowanego modelu predykcyjnego, istnieje możliwość estymacji prawdopodobieństwa awarii danej maszyny w wybranym horyzoncie czasowym. Informacja taka może następnie zostać wykorzystana do podejmowania optymalnych decyzji serwisowo-eksploatacyjnych.
Predictive Maintenance a Condition Monitoring
Klasyczne techniki monitorowania stanu (takie jak wibrodiagnostyka, analiza gazów rozpuszczonych, emisja akustyczna itp.) dają możliwość wykrycia wczesnego stadium uszkodzenia, a tym samym uniknięcia awarii maszyny. Ze względu na fakt, że proces ten ma charakter przepowiadający, techniki monitorowania stanu utożsamiane są często z analityką predyktywną – nic bardziej mylnego! Analityka predyktywna umożliwia analizę znacznie szerszego zakresu danych, które mogą nieść pewne symptomy awarii, a tym samym znacznie wcześniej wykryć awarie, a nawet je przewidzieć (patrz wykres nr 1 P-F Curve):
Wykres nr 1. P-F Curve
Jeśli przykładowo w danej maszynie dochodzi do częstych wibracji, skoków ciśnienia, wahań temperatury czy przepływu mediów, to mogą być to zjawiska przepowiadające daną awarię lub będące jej bezpośrednią przyczyną. Techniki monitorowania stanu umożliwiają jedynie płaskie spojrzenie na dane (pod kątem przekroczenia określonych wartości progowych), a nie na ich wielopoziomowe analizy (na przykład pod kątem częstotliwość skoków danych wartości, amplitud, sekwencji, zależności itp.), co skutkuje zwyczajnym pominięciem tego typu zjawisk. Taka wielopoziomowa analiza danych z wykorzystaniem technik analitycznych pozwala nie tylko znacznie wcześniej przewidzieć awarie, ale również rozpatrzyć te, które nie mogły zostać wykryte z wykorzystaniem klasycznych techniki monitorowania stanu.
W przypadku maszyn, od których wymagana jest bardzo wysoka gotowość techniczna, czas wykrycia awarii ma bardzo duże znaczenie (Wykres nr 2).
Wykres nr 2. Czas wykrycia awarii/ Zarządzanie ryzykiem na etapie eksploatacji
Dysponując informacją mówiącą o tym, że w ciągu kilku dni z dużym prawdopodobieństwem nastąpi awaria, przedsiębiorstwa mają możliwość zaplanowania produkcji, przygotowania się do naprawy i wykonania jej w momencie przestoju technologicznego maszyny, minimalizując w ten sposób straty związane z przestojem instalacji, w czasie gdy wymagana jest od niej pełna gotowość zadaniowa.
Jak efektywnie wdrożyć strategię predykcyjnego utrzymania ruchu?
Proces wdrożenia analityki predyktywnej w przedsiębiorstwie nie jest zadaniem trywialnym i wymaga dokładnego zrozumienia warunków biznesowych oraz możliwości technicznych przedsiębiorstwa. Rozpatrując pierwszy aspekt, bardzo duże znaczenie dla powodzenia całego przedsięwzięcia ma prawidłowe skwantyfikowanie modelu biznesowego uwzględniającego planowane do poniesienia nakłady finansowe związane z wdrożeniem analityki predyktywnej versus planowane oszczędności wynikające z transformacji podejścia do utrzymania ruchu. Drugim istotnym aspektem są możliwości techniczne. Proces budowy modeli predykcyjnych polega na uczeniu algorytmów sztucznej inteligencji z wykorzystaniem danych, które pośrednio mogą przedstawiać zachodzące zjawiska oraz występujące w nich zależności. Aby nauczyć algorytmy, niezbędne są więc dane eksploatacyjne, na przykład dane telemetryczne (zmienne objaśniające), a także informacje, kiedy i w jakich okolicznościach dochodziło do awarii (zmienne objaśniane). Dlatego też jeśli przedsiębiorstwo nie dysponuje danymi lub nigdy wcześniej nie dochodziło do awarii bądź innych nieprawidłowych zachowań maszyny, to nie ma podstaw do nauczenia algorytmów w procesie budowy modelu predykcyjnego. Pominięcie tych dwóch aspektów w analizie przedwdrożeniowej może skutkować nieprawidłowym zidentyfikowaniem potrzeb oraz możliwości przedsiębiorstwa, a w konsekwencji niepowodzeniem całego przedsięwzięcia.
Jak wybrać odpowiedni system analityczny?
Na rynku istnieje wiele systemów analitycznych umożliwiających realizację strategii predyktywnego utrzymania ruchu, jednak wiele z nich należy do systemów opartych na przestarzałej technologii. Większość z nich jest wręcz niedostosowana do potrzeb i możliwości przedsiębiorców. Obecne systemy IT klasy Predictive Maintenance wymagają od swoich użytkowników przede wszystkim zaawansowanej wiedzy w zakresie uczenia maszynowego i eksploracji danych. Jest to niezwykle istotne, gdyż brak takiej wiedzy może skutkować nieefektywnie wykonaną analityką, a w konsekwencji może tylko przynieść skutek odwrotny od zamierzonego. Oczywiście przedsiębiorcy zawsze mogą posiłkować się usługami analitycznymi firm
wdrażających oprogramowanie, jednak trzeba mieć świadomość, że każda zmiana w procesie produkcyjnym, w konstrukcji maszyny, czy nawet pojawienie się większej ilości danych, wymusza potrzebę rekalibracji modeli predykcyjnych. W efekcie może skutkować to powstaniem „finansowej studni bez dna”.
Innym istotnym aspektem – jaki należy wziąć pod uwagę przy wyborze właściwego narzędzia analitycznego – jest jego ,,silnik matematyczny’’, stanowiący rdzeń całego rozwiązania. Niestety ze względu na dużą inercję korporacji proces wdrażania nowych algorytmów jest bardzo czasochłonny i wymaga ogromnych nakładów finansowych. W związku z tym wspomniane rozwiązania nie nadążają za dynamicznym rozwojem technik analitycznych, które rozwijają się głównie w środowisku akademickim.
Mając na uwadze powyższe aspekty, wątpliwości budzi również kwestia kosztów wdrożenia niektórych rozwiązań, które w efekcie mogą nie dawać pozytywnego bilansu w opisanej wcześniej analizie biznesowej.
RSIMS – innowacja wśród systemów klasy PdM
Wychodząc naprzeciw oczekiwaniom przedsiębiorców, Reliability Solutions przy współpracy z naukowcami z Akademii Górniczo-Hutniczej oraz Politechniki Warszawskiej opracowało rewolucyjny na skalę światową system klasy PdM o nazwie RSIMS. To jedyny na świcie system tej klasy, który wykorzystuje najnowocześniejsze osiągnięcia naukowe z obszaru sztucznej inteligencji – głębokie uczenie maszynowe (Deep Learning). Metody głębokiego uczenia gwarantują niespotykane dotąd możliwości predykcyjne, dzięki ich użyteczności w kontekście ekstrakcji cech dla problemów o tzw. głębokiej architekturze. Własności te zostały wykorzystane przez twórców systemu na potrzeby zagadnień związanych z predykcyjnym utrzymaniem ruchu (patrz wykres nr 3. Prezentacja sytemu RSIMS).
Wykres nr 3. Prezentacja sytemu RSIMS
RSIMS został zaprojektowany w taki sposób, aby użytkownik, który posiada jedynie podstawową wiedzę w zakresie analizy danych, miał nie tylko możliwość wykonywania pełnowartościowej analityki, ale również utrzymania mocy predykcyjnej zbudowanych modeli w przypadku zmian w procesie eksploatacyjnym maszyny. Udało się to osiągnąć przez wykorzystanie szeregu algorytmów automatyzacji wyboru optymalnych parametrów w procesie uczenia algorytmów i rekalibracji modeli analitycznych. Takie rozwiązanie pozwala zminimalizować nakłady finansowe związane z wdrożeniem i utrzymaniem predykcyjnego utrzymania ruchu.
Inną istotną cechą systemu RSIMS jest moduł dedykowany wykrywaniu anomalii w funkcjonowaniu maszyn. Umożliwia on wdrożenie strategii predykcyjnego utrzymania ruchu dla maszyn, które nie dysponują pokaźnym zbiorem danych historycznych lub tych, w których nigdy nie dochodziło do awarii bądź nieprawidłowych zachowań. Rozwiązanie to polega na identyfikacji wzorców występujących podczas prawidłowego działania maszyny, jak również bezzwłocznym informowaniu o zachowaniu odbiegającym od normy. W ten sposób możliwe jest zidentyfikowanie problemu w zalążku.
System RSIMS posiada możliwość łatwej integracji z powszechnie wykorzystywanymi w przedsiębiorstwach systemami klasy ERP, EAM, CMMS. Może być traktowany jako swego rodzaju „wtyczka”, która po wpięciu do tych systemów zapewnia im zaawansowane możliwości analityczne, na przykład automatycznie pobiera aktualne dane wprowadzane przez użytkowników do systemu CMMS, analizuje je, a następnie zwraca polecenia wykonania kontroli lub naprawy danej maszyny przez zmodyfikowanie harmonogramu prac służb utrzymania ruchu.
Podsumowanie
RSIMS to prosty i rewolucyjny system o mocnym „silniku matematycznym”, który sprosta wymaganiom zarówno zaawansowanych użytkowników – posiadających wiedzę w zakresie uczenia maszynowego i eksploracji danych, jak i tych, którzy posiadają podstawowe informacje na ten temat. Uniwersalność systemu RSIMS – łatwość wykonywania pełnowartościowej analityki, bez wątpienia wyróżnia go na tle innych oprogramowań klasy PdM, a niskie koszty wdrożenia sprawiają, że jest rozwiązaniem dostępnym dla każdego przedsiębiorcy.
Autor:
Pan Mateusz Marzec, Prezes Zarządu Reliability Solutions Sp. z o.o.
Zapraszamy do szczegółowego zapoznania sie z systemem RSIMS: www.reliasol.pl
Reliability Solutions Sp. z o.o.
ul. Lublańska 34
31-476 Kraków
tel: (12) 394 11 21
email: office-relia-sol.pl
www.reliasol.pl
