Potrebujete monitorovať stav vášho zariadenia (stroja) vo vašej firme alebo priamo u zákazníka a zo získaných dát včas zabezpečiť kedy vykonať potrebnú údržbu tak, aby nedošlo k jeho poškodeniu? Chceli by ste odhadnúť aká je ostávajúca životnosť monitorovaného systému? Radi by ste minimalizovali prípadné straty alebo im vedeli celkom predchádzať?

Správna a spoľahlivá práca zariadenia je dôležitá súčasť výrobných procesov. Významnú úlohu v životnom cykle zariadenia zohráva efektívna údržba. Znalosť momentu v ktorom je potrebné vykonať údržbu je v prevádzke kľúčová. Moderné metódy dokážu odhadnúť čas kedy je vhodné údržbu vykonať. MATLAB poskytuje skupinu nástrojov, ktoré pomáhajú pri tvorbe algoritmov prediktívnej údržby a špecializovanú nadstavbu pre túto oblasť – Predictive Maintenance Toolbox.

Odhadnúť správny čas zásahu do stroja s cieľom zabrániť jeho poruche je výzvou údržby od jej vzniku. V minulosti sa intervaly údržby určovali na základe doby od poslednej údržby, alebo podľa jednoduchých parametrov (čas prevádzky, počet najazdených kilometrov, počet nalietaných hodín). Táto tzv. preventívna údržba vychádzala zo skúseností a poznatkov obsluhy a údržbárov a odhadovala termín údržby veľmi zjednodušene. Preventívna údržba nevie presne určiť čas potrebný pre zásah, preto nie je možné poruchy eliminovať. Preto sa preventívna údržba riadila prístupom „radšej skôr, ako neskoro“ a nedovolila zariadeniam využiť ich čas v bezporuchovom chode naplno. Táto rezerva je spojená s finančnou stratou, ktorá však kompenzuje straty spôsobené zlyhaním. Avšak kvôli jednoduchosti sa tento prístup používa dodnes. Napríklad výmena oleja v automobile sa riadi počtom najazdených kilometrov.

Prediktívna údržba na rozdiel od preventívnej, využíva dobu chodu stroja na maximálnu možnú mieru. Pomocou určitých postupov sa snaží odhadnúť zostávajúcu životnosť zariadenia (Remain Useful Life, RUL), alebo určiť čas zásahu tak, aby sa minimalizovalo riziko poruchy. Tento prístup je efektívnejší čo do využitia stroja, optimalizácie zdrojov potrebných pre údržbu a skracuje čas údržby. Dôležitou skutočnosťou je aj fakt, že každé zariadenie posudzuje individuálne, podľa podmienok použitia. Keďže nič nie je zadarmo, pre zavedenie prediktívnej údržby sú potrebné zbery dát, ich analýza vhodnými nástrojmi, simulácia stavu zariadenia a jeho vysoká znalosť čo do zloženia, tak do funkcionality. Ak by sme sa vrátili k príkladu s výmenou oleja, potom prístup prediktívnej údržby by diktoval výmenu oleja na základe jeho vlastností, určených hodnotou parametrov. Napríklad by sa automobil musel vybaviť meracou jednotkou viskozity, aby upozornil na blížiacu sa nutnosť výmeny. Je samozrejmé, že inak sa ničí olej v aute, ktoré je prevádzkované v meste, ako v aute prevádzkovanom na diaľnici.

Na úvod si treba odpovedať na otázku, či sa to oplatí. Pri prediktívnej údržbe je potrebné počítať s nákladmi na inštaláciu senzorov, nákup softvéru a vyškolenie pracovníkov údržby.

V dnešnej dobe je takmer každé zariadenie vybavené od výrobcu množstvom senzorov, ktoré sledujú jeho stav. Dokonca aj v prípade, že sa ukáže potreba dodatočného snímača, úpravy zariadenia nie sú veľmi drahé. Ceny snímačov sú nízke a doprogramovanie snímača do napr. PLC je otázkou niekoľkých hodín práce programátora.

Softvér a hardvér potrebný na spracovanie a analýzu dát je rovnako dostupnejší, ako pred niekoľkými rokmi. Situácia na trhu sa za posledných 10 rokov výrazne zmenila a dnešné počítače majú dostatočnú kapacitu pre výpočet zložitých algoritmov. Prepojením PC do sietí vzniká možnosť takmer neobmedzeného prístupu k dátam, ako aj k prostriedkom na ich spracovanie.

Vedomostná úroveň pracovníkov údržby, najmä stredného a vyššieho managementu je asi najväčšou prekážkou zavedenia prediktívnej údržby. Ich znalosti o postupoch preventívnej údržby sú základné, alebo vôbec žiadne. Dôvera v optimalizačné algoritmy je nízka a vyplýva práve z neznalosti metód. Rovnako sú na tom pracovníci údržby s vedomosťami o štruktúre a funkcii zariadenia. Ich poznatky sú základné, pokrývajúce potreby údržby po zlyhaní, alebo preventívnej údržby. V tejto oblasti bude potrebné vynaložiť pravdepodobne najväčšie úsilie, pokiaľ sa organizácia rozhodne prediktívnu údržbu zaviesť.

Na začiatku, po základnej finančnej analýze je vhodné pochopiť zmysel komponentov zariadenia, ich funkčnosť, akým spôsobom môžu zlyhať a aké to bude mať následky. V rozvinutých oblastiach priemyslu sa venuje tejto oblasti dostatočná pozornosť. Nástroj, ktorý sa využíva pre analýzu uvedených otázok sa nazýva FMEA (Failure Mode Effect Analysis).

Nasledujúcim krokom by mal byť zber dostatočného množstva dát, z ktorých sa bude dať určiť opotrebovanie zariadenia, respektíve zostávajúca životnosť. V tomto kroku sa môžu zužitkovať znalosti z predošlého kroku analýzy funkčnosti. Dáta sú merané senzormi a odosielané do databáz. V tejto fáze si však treba uvedomiť fakt, že aj senzor je zariadenie a môže určitým spôsobom zlyhať. Zlyhanie sa prejaví falošnou úrovňou signálu, čo vedie k nesprávnym záverom a zlyhaniu celého systému prediktívnej údržby. Pre posúdenie stavu senzorov existujú postupy, ako napríklad MSA (Measurement System Analysis), ktorý posudzuje činnosť senzora v reálnom prostredí.

Po zozbieraní dát je potrebné odlíšiť dáta užitočné od ostatných. Dnešné zariadenia sú vybavené množstvom senzorov, ktoré síce snímajú signál, ale nie je isté, že súvisí nejakým spôsobom s blížiacim sa poruchovým stavom. Preto je všetky dáta najprv vhodné spracovať.

Po spracovaní dát, ktoré sa vykonáva špecifickými postupmi pomocou softvéru (napr. MATLAB) sa určia takzvané indikátory stavu zariadenia (Condition Indicators). Treba si uvedomiť skutočnosť, že signál senzora je časový záznam meranej veličiny. Jej zmena môže, ale nemusí súvisieť s blížiacou sa poruchou, ale napríklad so zmenou prostredia, zaťaženia, alebo vstupného materiálu. Preto sa ako indikátory používajú štatistické hodnoty signálu, napríklad priemer, smerodajná odchýlka, frekvencia a podobne. Spomenuté indikátory dokážu určiť nielen to, či je zariadenie v poruche, ale aj o aký typ poruchy sa jedná. Opäť, bez poznania funkčnosti zariadenia by sa tento faktor určiť nedal. Indikátory sa volia na základe potrieb prediktívnej údržby. Niekedy je potrebné odhadnúť čas životnosti zariadenia, niekedy je potrebné určiť aj typ poruchy.

Z nameraných a spracovaných dát je možné vytvoriť matematický model zariadenia, ktorého typ zodpovedá potrebám prediktívnej údržby. Model, nazývaný digitálne dvojča (Digital Twin) je potrebné „naučiť sa“ správať tak, ako reálne zariadenie. Pre tieto účely sa volia viaceré nástroje, pravdepodobne najkvalitnejším na trhu je Simulink spoločnosti MathWorks, ktorý prepojením na MATLAB poskytuje široké možnosti použitia. Používateľsky príjemné a intuitívne prostredie zabezpečí, že sa pracovníci údržby budú venovať analýze dát, pochopeniu ich výsledkov a nebudú musieť študovať komplikovaný a nezrozumiteľný výstup zo softvéru, alebo programovať samotný algoritmus.

Digitálne dvojča sa zostrojuje pre každé zariadenie osobitne, aj v prípade, že sa používajú rovnaké typy. Každé zariadenie je špecifické a nedá sa na základe jedného zariadenia určiť správanie ostatných. Digitálne dvojča má aj tú výhodu, že sa na ňom dajú simulovať poruchy doteraz nepozorované, skúmať signály zo senzorov a vopred sa tak pripraviť na situáciu, ktorej ešte prevádzkovateľ, alebo údržba nečelili.
Kvalita digitálneho dvojčaťa, ktorá sa dá merať mierou jeho presnosti a spoľahlivosti potrebných parametrov však vo veľkej miere závisí od predošlých krokov. Počínajúc znalosťou funkčnosti, ďalej vhodným výberom dát a spoľahlivým meraním signálov , až po správne určenie indikátorov stavu zariadenia. Veľmi vhodné je tiež simulovať rozličné zmeny vonkajších vstupov (zmena viskozity oleja, prevádzkových teplôt, spôsobov využitia) a tieto zahrnúť do parametrov modelu. Pre praktické overenie sa dá využiť v určitých podmienkach metóda riadeného experimentu (Design of Experiment, DoE).

V prípade, že spoločnosť využíva rovnaký typ zariadení v globálnom meradle, dajú sa dáta a modely zdieľať cez cloud a tým ich možnosť využitia násobne rastie. Naopak, v prípade, že je potrebné model implementovať priamo do zariadenia, dá sa pomocou MATLAB coderov zakomponovať do softvérového vybavenia zariadenia.

Prediktívna údržba je logickým vyústením snahy organizácií strácať čo najmenej prostriedkov kvôli poruchám. Z počiatočného prístupu, oprava po zlyhaní, sa údržba postupne preorientovala na prevenciu a predchádzanie porúch. Dnešná doba si však vyžaduje využiť zariadenia a zdroje určené pre údržbu na maximum. Prediktívna údržba, ktorá dokáže spoľahlivo určiť čas, kedy je potrebný zásah a určiť aj pravdepodobný typ poruchy je výborným nástrojom pre optimalizáciu práce údržby. Eliminuje straty z neskorého, alebo príliš skorého zásahu, predlžuje časy medzi poruchami (MTBF) a skracuje čas údržby (MTTR). Vedľajším efektom je zvýšenie úrovne poznania zariadenia pracovníkmi údržby a operátormi, ako aj zvýšenie znalostí štatistických metód riadenia procesov v celej organizácii. Doba, keď sa cena výrobku znižovala nákupom lacnejších surovín, alebo prepúšťaním pracovníkov skončila. Spoločnosť, ktorá dokáže optimalizovať svoje náklady tým, že eliminuje plytvania a zlepšuje výkon pracovníkov ich vzdelávaním má oveľa väčšie šance na úspech, ako spoločnosť, ktorá tento prístup nemá. Príkladom a dôkazom posledných viet nech je spoločnosť Toyota, ktorá sa vďaka elimináciám strát a vzdelávaním pracovníkov dostala na prvé miesto medzi automobilovými spoločnosťami v pomerne krátkej dobe necelých 60 rokov.

Údržba po poruche: Prístup, ktorý odstraňuje zlyhanie zariadenia až vtedy, keď sa vyskytne. Tento prístup je najstarším a najmenej efektívnym z hľadiska využitia zariadenia. Nie vždy je však vhodné opustiť ho. Napríklad v prípade výmeny žiarovky v automobile nie je nutné tento prístup meniť. Údržbu vykonáva a zabezpečuje údržba.

Preventívna údržba: Prístup, ktorý sa snaží predísť zlyhaniu, poruche zariadenia. Vyžaduje si sledovanie správania sa zariadenia. Vznikol v 40. rokoch 20. storočia v USA a po vojne našiel uplatnenie v Japonsku, kde ho zdokonalili na maximum. Tzv. Total Productive Maintenance program je hlavným pilierom výrobného systému Toyoty (Toyota Production System). Preventívna údržba eliminuje relatívne efektívne výskyt porúch, pretože zavádza pravidelné servisné intervaly, ktoré vychádzajú z poznania priemernej životnosti stroja. Nedokáže však dobre posúdiť vonkajšie vplyvy, najmä rôzne správanie sa obsluhy k zariadeniu. Preto časť nákladov na údržbu je vynaložených neefektívne (príliš skorý zásah), alebo sa porucha vyskytne (príliš neskorý zásah) a spoločnosť je poškodená ako v prípade údržby po poruche. Napriek nevýhodám je tento prístup široko využívaný a aplikovaný. K jeho výhodám patrí jednoduchosť a zrozumiteľnosť. Na údržbe sa podieľa obsluha zariadenia (operátori) a údržba. Drobné údržbárske práce, ako mazanie, čistenie, výmena dielov, robí obsluha. Údržba je určená pre komplikované zásahy.

Prediktívna údržba: Prístup, ktorý sa snaží eliminovať poruchy ešte pred ich vznikom, ale zároveň sa snaží využiť životnosť zariadenia na maximum. Metóda vznikla v 70. rokoch 20. storočia v USA a spočiatku nebola akceptovaná kvôli technickým obmedzeniam. Problém boli najmä výkony počítačov, ktoré dokázali simulovať priebeh stavu zariadenia. Výkon počítačov však rastie exponenciálne a dnes je dostatočný pre komplexné výpočty, ktoré prediktívna údržba vyžaduje. To je dôvod, prečo sa prediktívna údržba dostáva do popredia. V odvetviach, kde je vysoké riziko ohrozenia zákazníka (kozmický výskum, letecká doprava) sa využíva vo veľkej miere. Napríklad výrobca leteckých motorov Safran je lídrom v oblasti PdM. V ostatných odvetviach sa ešte len zavádza, avšak je veľmi pravdepodobné, že postupne nahradí aspoň časť starších prístupov. Prediktívna údržba si vyžaduje online zber dát, ich spracovanie a interpretáciu. Na trhu existuje viacero produktov, ktoré tento prístup umožňujú. Špičkovým nástrojom je MATLAB v spojení so Simulinkom a špecializovaný nástroj Predictive Maintenance Toolbox. Najväčšia slabina pri zavádzaní prediktívnej údržby je nedostatok znalostí o zariadeniach zo strany údržbárov a slabé vedomosti o štatistických metódach stredného a vyššieho managementu.

FMEA (Failure Mode Effect Analysis): Metóda analýzy zlyhania zariadenia a následkov zlyhania. Vznikla v 40. rokoch 20. storočia v USA pre potreby armády. Postupne sa rozšírila do ostatných odvetví a dnes je neoddeliteľnou súčasťou výrobnej dokumentácie v leteckom a automobilovom priemysle. Vďaka nej je možné nielen pochopiť následky porúch, alebo zlyhania procesov a zariadení, ale aj zvýšiť vedomostnú úroveň týkajúcu sa zloženia a funkčnosti zariadenia. Pre správnu implementáciu prediktívnej údržby je poznanie funkčnosti zariadenia kľúčové.

MSA (Measurement System Analysis): Štatistická metóda posúdenia opakovateľnosti a reprodukovateľnosti meracieho systému. Vznikla spolu s inými metódami štatistického riadenia procesov v USA v 30.-40. rokoch 20. storočia. Metóda dokáže odhaliť odchýlky signálu meradla od skutočnej hodnoty, ako aj posúdiť vhodnosť meracieho systému pre meranie. Napríklad, pokiaľ je potrebné zachytiť rozdiely napätia v desatinách Voltov, musí použitý voltmeter tieto rozdiely spoľahlivo zachytiť a nesmie ich prekryť šumom. Metóda posudzuje vždy konkrétny merací systém v reálnych podmienkach. Závery sú preto platné iba pre analyzované meradlo a nedajú sa preniesť.

Plánovaný Experiment (Design of Experiment, DoE): Štatistická metóda plánovania technologických skúšok. Skúma vplyv zvolených parametrov a ich kombinácií na výstup z procesu. Pomocou DoE je možné rozlíšiť medzi významnými a nevýznamnými parametrami, pomocou ktorých sa proces dá riadiť. Odfiltrovanie nevýznamných parametrov výrazne zjednodušuje procesné riadenie. Dá sa využiť na posúdenie parametrov zariadenia na jeho stav. Využiť sa dá najmä, pokiaľ nie je dostatok dát a pokiaľ sa dá zrealizovať experiment s reálnym zariadením. Často sa zariadenie skúma za extrémnych podmienok a je teda možné určiť hraničné hodnoty použitia zariadenia.

Prediktívna údržba je účinným nástrojom pre optimalizáciu činností údržby, ako aj nástroj pre takmer bezporuchový chod zariadenia. Tento primárny účel má však aj synergicky pôsobiace efekty. Tým, že si vyžaduje prehĺbenie znalostí o fungovaní zariadení, zvyšuje znalosti personálu údržby. Zvýšené nároky na expertov, hlavne v oblasti štatistiky a interpretácie dát spôsobujú lepšie spoznanie fungovania štatistických a fyzikálnych zákonov. Implementácia PdM tak dáva možnosť rozvíjania vedomostí pracovníkom spoločnosti a posúva úroveň znalostí v organizácií na vyššiu úroveň. To je v dnešnom konkurenčnom prostredí nespornou výhodou.

• Prediktivní údržba s prostředím MATLAB (leden 2019)
• Prediktivní údržba a monitorování stavu zařízení v prostředí MATLAB (červenec 2019)