A probléma gyökere a fixen betervezett karbantartási ütemterv rugalmatlanságában rejlik. A karbantartási ütemtervek megalkotásánál jellemzően meglehetősen konzervatívan járnak el a szakemberek, elkerülendő a váratlan állásidő által okozott komoly költségvonzatokat. Ennek mindenképpen velejárója, hogy a szükségesnél több karbantartást végeznek el, amely az ARC Advisory Group Nagyvállalati Eszközmenedzsment felmérése szerint olyan mértékű is lehet, amely miatt a karbantartásra költött pénz fele a fix ütemterv miatt gyakorlatilag veszendőbe megy.
A karbantartási feladatok optimalizálása
A hagyományos értelemben vett és tradicionális elvek mentén végzett karbantartást leginkább két tényező befolyásolja. Ezek egyike a személyzet, amelynek gépről-gépre, telephelyről-telephelyre kell vonulnia a vizsgálatok elvégzése céljából, a másik pedig a gépek állásidejének költsége, amely alapfeltétele az állapotfelmérő vizsgálatok elvégzésének. Bár a karbantartási ütemtervek megalkotásakor igyekeznek elkerülni a termelési csúcsidőket, ez nem mindig látható előre időben és ezért nem mindig lehetséges, emiatt a gyártóknak pluszkapacitást kell beépíteniük a gyártásukba annak érdekében, hogy ne szenvedjenek veszteséget a termelési csúcsidőszakban.
A megelőző karbantartás ezzel ellentétben viszont nemcsak azáltal segít hozzájutni jelentős költségmegtakarításhoz, hogy csak igazolt esetben teszi szükségessé a manuális vizsgálatokat, hanem azzal is, hogy ennek következtében az ütemezett és tervezetten kívüli állásidő is kisebb lesz. Az Ipar 4.0 generációra való teljes továbblépéshez számos ipari szakértő (köztük Steve Sands, a Festo termékmenedzsment és -marketing menedzsere) szerint a prediktív karbantartás lesz az egyik legfőbb lépcsőfok. Sands szerint a megelőző karbantartás elérhetősége a befektetés tiszta megtérülését teszi láthatóvá.
Valósidejű adatgyűjtés
A megelőző karbantartási technológiával nem kell a továbbiakban a fix karbantartási ütemtervhez ragaszkodni, hanem a berendezések ténylege kopása és állagromlása alapján lehet a karbantartási igényeket felmérni. A megelőző karbantartás kéz a kézben jár az Ipar 4.0 generációs megoldásokkal, mivel az implementációk olyan általános alkatrészekre fognak támaszkodni, mint a beágyazott intelligens szenzorok, illetve a helyi és felhőalapú számítástechnikai eszközök. A vibrációt, hőmérsékletet, áramfelvételt és egyéb mennyiségeket mérő szenzorok alkalmasak a potenciális hibák érzékelésére, és támogatják azokat a szoftvermodelleket, amelyek lokálisan vagy távvezérlésben futva, valósidejű analízist tesznek lehetővé.
Martin Walter, a Schneider Electric ipari üzletágának alelnöke a következőképp kommentálta a megelőző karbantartás jelentőségét: „Képzeljük el, hogy figyelemmel kísérjük az olyan berendezések mozgó mechanikai alkatrészeit, mint a robotok vagy lineáris pályák. A berendezések motorjainak állapotfigyelése útján gyorsan és jó biztonsággal megismerhető a kopás sebessége és aktuális állapota. Ebből minél többet végzünk, annál több részletében lehet megismerni a potenciális problémákat, a releváns paramétereket, és a karbantartási igényeket.”
Sara Ghaemi, a Panasonic járműipari és professzionális ipari rendszerek kiemelt ügyfélmenedzseri csoportvezetője osztja Walter véleményét, és arra számít, hogy a felhőalapú számítástechnika és egyéb technológiák elérhetősége rendkívül erős támogatást biztosít majd a gépállapot pontos megismeréséhez, amely az alapvető záloga a megelőző karbantartás hatékony implementációjának. „Már most is üzemeltetünk megoldásokat a megelőző karbantartásra, azonban arra számítunk, hogy rövidesen ezek sokkal intelligensebbek lehetnek, mivel jórészt az IoT alkalmazások jóvoltából a rendelkezésre álló adatmennyiség és számítási kapacitás ugrásszerűen megugrik majd, és a gépi intelligenciát hasznosító adatfeldolgozás miatt a gépállapot is sokkal részletesebb megismerhetővé válik bármely időpillanatban.”
A mesterséges intelligencia szerepe a megelőző karbantartásban
„A mesterséges intelligencia rendkívül fontos szerepet fog játszani a megelőző karbantartás teljes implementációjában, mivel olyan fejlődést fog elhozni, amely a megelőző karbantartást kivitelező eszközök használatát mérnöki és vállalati oldalról jelentősen megkönnyíti” – egészítette ki véleményét Ghaemi. Korábban is voltak kísérletek a megelőző karbantartás implementációjára, azonban ezek többsége szakemberi tapasztalatra hagyatkozott, mivel a rendelkezésre álló adatmennyiség és az adatok értelmezésének képessége meglehetősen korlátozott volt. A mesterséges intelligencia és az IoT segítségével az adatfolyamok részletesen elemezhetők lehetővé téve a megelőző karbantartási modellek öntanulását ahelyett, hogy kézzel kódolt algoritmusokat követnénk. A mesterséges intelligencia alkalmazásának egy további előnye, hogy sokkal több adatforrás kezelésére képes a kézzel hangolt modellekhez képest.
Gyakorta előfordul, hogy a szenzoradatok között olyan jelek találhatók, amelyek hasznának felderítésére és az algoritmusba kódolásra nincs ideje/kapacitása a szakértőknek. A gépi megfelelő tanulási modell azonban jó hatékonysággal meg tudja találni a korrelációt a szenzor modalitásai között, amelyek képesek rámutatni a problémákra, illetve megbecsülni a meghibásodás várható idejét. Mindez pedig azt jelenti, hogy ilyen eszköz birtokában a gyártók képesek hatékonyabb és dinamikus(abb) karbantartási ütemezésre. Thomas Dale, az Omega mérnökségi igazgatója szerint a korábban kihasználatlan korrelációkban rejlő lehetőségek kiaknázása a prediktív vezérlést és állapotfigyelést sokkal hatékonyabbá teszi majd.
A Festo azon úttörő cégek egyike, amelyik mesterséges intelligenciát integrál karbantartási portfoliójába. „Mintegy két évvel ezelőtt a Festo kivásárolta a mesterséges intelligenciás megoldásokat fejlesztő Resulta nevű céget, amelynek megoldásait azóta folyamatosan integrálja a saját fejlesztéseibe. Ezek a fejlesztések és ez az integráció futtatja az anomáliaérzékelési mechanizmusokat, amelyből származó információkat a környezeten kívülre is el tudja juttatni. Fejlesztéseink egy másik gyümölcse a Smartenance nevű eszközünk, amely egy további, intelligens karbantartási eszköz, amely táblagépen vagy más mobileszközön futtatva képes a felhasználói oldalon karbantartási tevékenységek ütemezésére, naplózására.”
A Smartenance az anomáliaérzékelés és a mesterséges intelligenciás alkalmazás között ver hidat, illetve biztosítja azt is, hogy a továbbra is fontos, emberi megfigyelés eredményeit is figyelembe veszik a döntés során. „Ha mesterséges intelligencia által megtámogatott anomáliaérzékelésbe kezdünk, azt értelemszerűen be kell vezetni valaki karbantartási ütemtervébe. Ez elküldhető annak a személynek, akit az adott berendezésből kiképeztek, akinek azután végig kell gondolnia, hogy mi történik hibaesemény bekövetkezése esetén, mi váltotta ki és hogyan kerül elhárításra. Az emberi tényezőt benn kell tartani a rendszerben a mesterséges intelligencia mellett az algoritmus ellenőrzése és szükség esetén módosítása végett, így biztosítva a mesterséges intelligencia tanulási és fejlődési képességét” – tette hozzá Sands.
A Schneider Electric megoldásait illetően Walter elmondása szerint a cég mesterséges intelligencián alapuló technikát implementált számos termékébe, amely képessé teszi őket saját állapotuk monitorozására. Az IoT révén a különböző gyártóktól származó szenzorok logikailag összekapcsolhatók, így például egymással való kommunikációra bírhatók az Omega hőmérsékletmérő szenzorai, a Festo, Schneider stb. különböző érzékelői, ezáltal a komplett karbantartási programok sokkal jobb hatékonysággal folytathatók. A kommunikáció eredménye alapján a hosszú távú analízis és monitorozás például olyan megbízhatóságcsökkentő igénybevételre deríthet fényt, amely a termelési folyamat módosításával csökkenthető vagy kiküszöbölhető.
Helyi és felhős adatfeldolgozás
Az intelligencia megosztható, a berendezések üzemeltethetők cellákban, olyan folyamatok szerint, amelyek nem teszik szükségessé elsődleges vezérlő bevonását. Lényegében ez a koncepció a Molex IAS (Industrial Automation Solutions) 4.0 portfolió mögött. „Lehetővé tesszük minden egyes különálló terület számára az önvezérlést, részben saját biztonsága érdekében, megteremtve a lehetőséget az információk egyéb vezérlőkkel történő megosztására, megalapozva ezzel azok reakcióképességét” – tette hozzá Sands.
A gyártók és integrátorok számára adott a lehetőség beágyazott mesterséges intelligenciával rendelkező, közvetlenül az adatfeldolgozó eszközökhöz kapcsolódó (ún. edge computing) megoldások használatára. Ennek egyik megoldása az Avnet SmartEdge Agile platformon futó Brainium mesterséges intelligencia szoftver futtatása. A Brainium rugalmas, lehetővé teszi néhány mesterséges intelligencia algoritmus lokális futtatását, míg néhány komplexebb és a hosszabb távú tervezésre optimalizált funkció esetében támogatja a felhőben történő számításokat. A Schneider Electric-féle EcoStruxure nevű megoldás például hatalmas adatmennyiségből dolgozik, amely tárolható/kezelhető felhős tárhelyen, lehetővé téve természetesen az adatbányászati és nagyléptékű analízis funkciókat is. Ahogy a számítási kapacitás költsége egyre alacsonyabb lesz, nagyon valószínű, hogy a gyártók egyre inkább képesek lesznek a helyi intelligencia minél teljesebb kihasználására, és ezzel a betekintéshez szükséges idő lerövidítésére.
Bemutatkoznak az új szolgáltatási modellek
Jeff Barnes, a Molex professzionális ipari üzletágának európai disztribúciós ügyfélmenedzsere szerint a prediktív karbantartás és az Ipari 4.0 technológiák kombinált elérhetősége új szolgáltatási modellek megszületéséhet vezet. Az egyik változás az lesz, hogy a tőkeberuházás helyett kimenetalapú finanszírozási modell lép életbe, amelynél a gépépítőknek aktívabb szerepet kell játszaniuk a garantált termelési rendelkezésre állás biztosításában, maximalizálva saját és vevőjük bevételáramlását. „A gépépítőnek szüksége lesz a gép állapotának ellenőrzésére, hiszen komoly kaució fizetésére kötelezhetik, ha a gép meghibásodik” – nyilatkozta Barnes. A megelőző karbantartás azt jelenti, hogy eltekinthetnek a rögzített, „kőbe vésett” karbantartási ütemtervek használatától, és a potenciális hibákra azonnal reagálhatnak.
A hardver jobb kihasználását teszi lehetővé a kimenetalapú költségképzés, szemben a hagyományosabb értékesítési modellek eredményeivel. Például, ha a vevő különböző szükségleteket támaszt, Barnes véleménye szerint a gépépítők vissza is vehetik a gépet, majd átépítés után más termelésre is befoghatják, a leselejtezés helyett.
Mindezeket figyelembe véve elmondhatjuk, hogy a megfelelően kialakított megelőző karbantartás sokkal többet adhat a felhasználók kezébe, mint az egyébként nagyon jelentős költségmegtakarítás a gépbevizsgálási oldalon. Minél több cég áll át a megelőző karbantartásra a fix ütemezés helyett, annál szélesebb körben és mélyebben ismerhető majd meg a gyártóberendezések működése. Teljes kihasználtság mellett a megelőző karbantartás és a mögötte álló technológiák jelentősen növelik az üzemeltetési hatékonyságot és segítik a hosszú távú eredményességet.
Szerző: Cliff Ortmeyer, globális műszaki marketing igazgató, Farnell
