Proč je dobré předpovídat poruchy výrobních zařízení

Představte si, že se vaše výroba zastavila. Před očima se vám objeví počítadlo, na kterém nabíhá ušlý zisk. Ideální stav samozřejmě vypadá jinak. V něm se výroba nezastaví nikdy a veškerá údržba se zvládá preventivně ve vyhrazeném čase.

Údržbu je možné dělat poté, co dojde k poškození zařízení (reaktivní údržba). To je ale nákladné, zejména s ohledem na výpadky výroby. Poškození může být navíc daleko větší, než když se zasáhne včas.

Preventivní údržba zase nezohledňuje to, jestli je zásah opravdu nutný. Pouze se dodržují předepsané úkony a výměny komponent po určité době nebo délce provozu zařízení.

Prediktivní údržba naproti tomu využívá senzory, které posílají data do jednotného úložiště. Tam je algoritmy i na základě strojového učení vyhodnocují a navrhují příslušné servisní úkony, přičemž dokážou poruchu odhalit ještě před tím, než k ní vůbec dojde.

Opravujme, když je to třeba

Veškerá data a informace, které se sbírají, pomáhají umělé inteligenci při hledání závislostí a trendů ve stavu stroje. Nejde přitom jen o data z čidel, hodnotí se také informace a závěry z plánovaných kontrol a výpadků způsobených poruchami v minulosti. Na základě historických dat se provádějí predikce budoucího stavu, nejvíce ohrožená zařízení jsou pak vybrána ke kontrole. Systém zároveň sám objednává náhradní díly, které bude technik na místě potřebovat.

Pokud je nutné během servisu odstavit výrobu, dojde k tomu plánovaně a je možné se na to dopředu připravit. Můžeme se tak předzásobit, vyrobit na sklad, případně také spojit několik servisních úkonů dohromady a odstávku využít i v jiných částech závodu a na dalších zařízeních.

Zavedením systémové prediktivní údržby:

• zvýšíte spolehlivost výrobního zařízení až o 80 %
• snížíte náklady na údržbu o 40 %
• zvýšíte produktivitu o 10 %

Efektivní údržba by měla eliminovat systémové i nesystémové výpadky výroby a zajistit optimální dostupnost zařízení. Všechno začíná strategickým plánem, který povede ke zvýšení efektivity údržby i účinnosti jednotlivých procesů, a zredukuje tak výrobní náklady.

Náklady na údržbu totiž tvoří podstatnou část životního cyklu zařízení. Prediktivní údržba je dokáže podstatně snížit.

V rámci prvotní analýzy je možné přesně určit, na jaká místa se zaměřit, aby se celý proces údržby zefektivnil. Analýza obsahuje komplexní vyhodnocení oblastí, jako jsou strategie a systémy, organizace a proces údržby, nákup a řízení zásob náhradních dílů nebo controlling a měření efektivity údržby. Se snížením nákladů na údržbu zároveň dojde ke zvýšení dostupnosti zařízení, zkrácení doby oprav a zlepšení poměru korektivní, plánované a prediktivní údržby.

Sklad plný, ale náhradní díly nejsou

Velice častým scénářem je to, kdy má výrobce plný sklad náhradních dílů, ovšem při výpadku výroby zrovna ten jeden potřebný chybí. I tady existuje řešení, které využívá moderní systémy a umělou inteligenci. Na základě analýzy kritičnosti systém identifikuje položky, které jsou klíčové a je potřeba je držet skladem. Roli hrají i „náklady ušlé příležitosti“, které jsou pro každý stroj jiné. Některé se zkrátka na chvíli zastavit můžou, některé ne. A proto má smysl některé díly zkrátka skladem nemít. Automatické objednávání se pak zavede pouze tam, kde bude efektivní.

Prediktivní údržbou a optimalizací náhradních dílů dokážete předejít častým poruchám a zároveň nebudete mít v náhradních dílech uložené zbytečné peníze. Například jedna petrochemická firma tímto způsobem snížila vázaný kapitál v náhradních dílech o čtvrtinu, paralelně s tím se snížilo i riziko nedostupnosti dílů.

Autor: Martin Plajner

Text vznikl pro časopis IT Systems