Neustálé pokroky v oblasti senzorů a komunikačních technologií vedou k nepřetržitému sběru stále větších objemů dat z provozu různých systémů a subsystémů ve vlacích, letadlech či dalších strojích. Například letadlo Boeing 787 za hodinu letu vygeneruje plných 40 terabajtů dat. Díky masivnímu sběru dat je možné nepřetržitě monitorovat mechanické a elektrické podmínky, provozní efektivitu a celou řadu dalších ukazatelů výkonnosti. Tyto nové schopnosti umožňují naplánovat činnosti údržby s ohledem na maximální intervaly mezi opravami, při současné minimalizaci počtu neplánovaných odstávek, způsobených výpadky systémů, a souvisejících nákladů.

Řešení identifikace hrozících poruch a předvídání optimálních časů údržby se označuje jako proaktivní údržba (Predictive Maintenance), jejímž výsledkem je možnost reagovat a provádět nezbytné opravy dříve, než se zařízení porouchá a ovlivní tak poskytování služeb nebo bezpečnost provozu.

Přínosy proaktivní údržby

Proaktivní údržba pomáhá zvyšovat spolehlivost, snižovat náklady na údržbu, zlepšuje celkovou efektivitu sledovaných systémů a v konečném důsledku vede ke zvýšení bezpečnosti a spokojenosti zákazníků. Investice do dostupných řešení mají velmi krátkou návratnost a zároveň kompletně mění prostředí údržby. Již dnes je proaktivní údržba vyspělým a již prověřeným konceptem například v leteckém průmyslu. Aerolinky po celém světě využívají proaktivní údržbu u leteckých motorů již více než pět let a experti na tuto oblast nyní přinášejí svoje dovednosti do odvětví železniční dopravy i mnoha dalších.

Postup při nasazení

Dle poznatků z leteckého průmyslu vede k úspěšnému nasazení řešení proaktivní údržby několik postupných kroků:

1. Volba správného systému či podsystému pro predikci

Volba systému je nejkritičtějším krokem při tvorbě řešení proaktivní údržby. Je velmi důležité definovat úzké zaměření a nesnažit se předvídat úplně všechno. Je proto důležité zjistit, co je možné předvídat. Nesprávný výběr systémů může vést nejen k neúspěšnému výsledku, ale také snížit důvěru v celé řešení.

2. Získání nezbytných dat

Pouhý objem dat generovaných ze systémů nestačí k tomu, aby z něj bylo vytvořeno řešení proaktivní údržby. Je třeba pamatovat na cíle shromažďování všech souborů dat. Proto je příprava dat potřebných pro vytvoření řešení proaktivní údržby jednou z klíčových aktivit v procesu vývoje řešení. Správné pochopení cílů musí nutně přijít s požadovanými sadami dat a využití přístupu „shora dolů“ zde často vede k úspěšnému výsledku. V tomto případě jsou nejdříve jasně definovány obchodní cíle, následně jsou identifikovány požadované datové sady a pak jsou připravena data pro vytvoření algoritmu.

3. Propojení zkušeností z odvětví s datovou analytikou

Obecně se předpokládá, že k vytvoření špičkového algoritmu pro řešení proaktivní údržby stačí specialista na analýzu dat. Datový analytik ale pro sestavení správného algoritmu pro potřeby konkrétního podniku potřebuje mnohem víc. Zkušenosti ukazují, že opravdovým hybatelem v dosažení úspěšného řešení je specialista na danou oblast, protože jen specialista může dovést analytika k vytvoření správného algoritmu. Interpretace modelů – například vibrací a hluku – je klíčovou oblastí, ve které může expert na konkrétní zařízení vést datového analytika, aby například nepřeceňoval náhodná zjištění.

4. Identifikace přidané hodnoty proaktivní údržby pro strategie údržby

Rozsah řešení proaktivní údržby může jít nad rámec pouhého předpovídání chyb. Jde také o identifikaci různých obchodních scénářů a vytváření vhodných normativních akcí. Proto by mělo efektivní řešení proaktivní údržby podporovat týmy údržby rovněž i při plánování inventáře pro výměnu součástek a navrhování, které systémy potřebují upgrade svého designu s ohledem na jejich trvale slabý výkon. Taková řešení proaktivní údržby myslí jak na krátkodobé, tak i dlouhodobé cíle.

Klíč k úspěchu

Úspěch proaktivní údržby leží ve výběru správného systému, vytvoření a připravení nezbytných dat a získání správné kombinace expertů z daného odvětví a datových analytiků do řešitelského týmu. Kromě toho by se měli výrobci a provozovatelé zařízení zaměřit na to, aby proaktivní údržba poskytovala více než jen pouhou predikci chyb, ale například také na identifikaci systémů, které potřebují vylepšit.

Bhoopathi Rapolu