facebook
Tematické sekce
 
Branžové sekce
Přehledy
 
Tematické seriály
 

GDPR

General Data Protection Regulation zásadně mění zpracování osobních údajů a zavádí nové povinnosti...

články >>

 

Jak uřídit IT projekt a nezbláznit se

Užitečné tipy a nástroje pro řešení problémů řízení inovací a vývoje produktů...

články >>

 

Industry 4.0

Průmysl 4.0

Jaký vliv bude mít čtvrtá průmyslová revoluce na výrobu a výrobní firmy?

články >>

 

Komplexní svět eIDAS

O nařízení eIDAS již bylo mnoho řečeno i napsáno. A proto jediné, o čem...

články >>

 

Trendy v CRM

Systémy pro řízení vztahů se zákazníky (CRM) prochází v posledních letech výraznou změnou. Zatímco dříve...

články >>

 

Příručka úspěšného IT manažera

Dnes je řada IT manažerů opomíjena. Úspěšní bývají brouci Pytlíci a Ferdové...

články >>

 
Partneři webu
Navisys
IT SYSTEMS 4/2020 , AI a Business Intelligence , EAM/CMMS - Správa majetku a údržby

Prediktivní údržba aneb Jednejte rychle, dokud je čas

ing. Libor Šlik


ACREA CRPrediktivní údržba je klíčovým aspektem v efektivním řízení výrobních zdrojů. Nemůžeme si dovolit čekat, až se něco pokazí. Je třeba jednat včas. Někdy se vyplatí neřídit se slepě pouze doporučením výrobců toho nebo onoho zařízení, ale spolehnout se na svoje zkušenosti nebo zkušenosti jiných z obdobných provozů. Aby se nejednalo pouze o nepodloženou intuici, je potřeba zkušenosti transformovat do explicitně vyjádřených modelů chování.


Smyslem prediktivní údržby je jednat včas. Nečekat až „džbán přeteče“, nečekat, až se v soukolí lisovacího stroje, horkovzdušné pece, obráběče plastů nebo čehokoli jiného zadře nějaká malá součástka za stovky korun a způsobí odstávku či přímo opravu stroje za stovky tisíc. Potřebujeme rozšířit procesy údržby o tvrdě získané a různými neplánovanými opravami draze zaplacené know-how z historických selhání a umět, alespoň trochu, předvídat budoucnost.

Nechme si poradit

Většina strojů přichází do výroby s propracovaným a důkladným manuálem, doporučenými postupy použití i oprav a s proškolenou obsluhou. Pro stroj by měl existovat záznam o použití, problémech, odstávkách a opravách. Z kontroly kvality by měla existovat data o kvalitě výrobků. Pokud má obráběcí stroj vyrábět výrobky s určitou přesností a postupem času se tato bude snižovat, bude to ukazovat na nějaký problém. A ne vždy to musí mít elementární příčinu, jakou může být otupená obráběcí hlavice, s níž se tak nějak při výrobě automaticky počítá. Abychom prediktivní údržbu posunuli dál než k pouhému přečtení si manuálu a zavedení pravidelných kontrol do kalendáře, potřebujeme vhodné softwarové nástroje a data o zařízeních, výrobcích, výsledcích kontrol a data z různých čidel a senzorů měřících teplotu, tlak, vzdušnou vlhkost, prašnost apod.

V praxi se často setkáváme s tím, že kritické meze sledovaných parametrů zařízení jsou nastaveny příliš benevolentně nebo naopak příliš přísně. Obojí vede k tomu, že sledovaným parametrům se věnuje stále menší pozornost. Analytický přístup na druhou stranu umožňuje z nasbíraných dat navrhnout alternativní meze a přidat je ke stávajícím pravidlům. Výsledkem pak může být, že sledované zařízení je sice dle technologických norem či norem daných výrobcem v pořádku, ale podle analýzy dat se nachází například v deseti procentech historicky nejhorších hodnot. Na takový stav se pak dá reagovat plánovanou odstávkou, kontrolou, flexibilní alokací finančních prostředků. Odvrácenou stranou analytického přístupu a použití nepřesných predikcí jsou možné chyby v predikci vedoucí ke zbytečným výdajům, odstavení stroje nebo ke špatnému nastavení procesů. Analytický přístup musí být podroben pravidelné evaluaci a aktualizaci v dynamicky se vyvíjejícím výrobním prostředí.

Účelem prediktivní údržby je vybrat ke kontrole ta zařízení, u nichž je pravděpodobnost selhání nebo snížení kvality produkovaných výrobků pod přijatelnou hranici relativně vysoká. Vynásobíme-li pravděpodobnost selhání peněžní ztrátou, vznikající při selhání zařízení, dostaneme předpokládané ztráty. Protože jsme omezeni finančními prostředky, musíme zacílit prostředky tam, kde je vykazována nejvyšší rizikovost nebo hrozí nejvyšší ztráty, a zefektivnit tak celý proces údržby. Stav zařízení a potřebu servisních zásahů můžeme odhadovat buď na základě informací, které o zařízení máme, nebo u některých typů zařízení na základě charakteristik výrobků, které zařízení produkuje.

Prediktivní údržbu můžeme chápat jako činnost, kdy zpracováním dat vhodnými nástroji dokážeme predikovat požadované výstupy a na jejich základě jsme pak schopni a ochotni jednat a zavádět změny do příslušných procesů a postupů.

Data jako klíčový aspekt úlohy

Nejdůležitějším aspektem prediktivní údržby jsou data. Jde o data charakterizující stav zařízení, jenž chceme predikovat a o data, která bychom k vytvoření predikce mohli využít. V prediktivní údržbě budeme často řešit problémy, že dat je buď příliš mnoho, nejsou skoro žádná nebo jejich získání je příliš komplikované. Jindy je nutné, aby určitá data zaznamenala obsluha daného zařízení. Což v praxi nemusí být úplně jednoduché. Dost obtížně bude člověk s rukama od šmíru v plném pracovním nasazení zaznamenávat na umaštěný potrhaný papír nějaké údaje. Tyto papíry, v různém stádiu rozkladu a čitelnosti, z různých strojů, pak bude nutné převést do elektronické podoby. Prediktivní údržba se týká i provozů, kde zařízení žádná automatizovaná čidla nemají. Pokud však víme, že na kvalitu výrobků nebo chod zařízení může mít vliv nějaká měřitelná vlastnost vně nebo uvnitř stroje, vyplatí se investovat menší stovky korun na pořízení patřičných senzorů. Tato data pak ve spojení s daty zaznamenanými operátorem stroje mohou pomoci v pochopení, někdy nevyzpytatelného chování stroje. Situace v nejnovějších provozech je snazší. Stroje se často umí o „své dobro“ postarat samostatně a autonomně a data z čidel ukládají automaticky.

Kamenem úrazu úlohy prediktivní údržby jsou data, jejich konsolidace a příprava. Mnohdy je lidsky náročné zpracovat data z průvodních listů zařízení do elektronické podoby. Ani zpracování dat, která už v elektronické podobě jsou, nemusí být jednoduché. Načtení dat z textových, excelovských nebo spousty jiných standardních i nestandardních datových formátů, databází, cloudových prostředí může být těžkým oříškem. Někdy máme dat příliš mnoho a v podobě, která není vhodná pro okamžitou analýzu. Často narážíme na problém s různou hustotou dat, granularitou. Jedná se o situace, kdy jsou ruční kontroly prováděny v intervalech v řádu let. Opačným extrémem je situace, kdy přicházejí informace z čidel o stejném zařízení třeba v sekundách. V takových situacích je pak nutné data agregovat a dále transformovat.

Obr. 1: Zjednodušená ukázka analytického postupu načítající data z různých zdrojů, provádějící základní manipulace a transformace dat, predikci a zápis do databáze. Proces může rovněž končit zasláním SOAP zprávy webové službě, kterou budou podmíněny další procesy.
Obr. 1: Zjednodušená ukázka analytického postupu načítající data z různých zdrojů, provádějící základní manipulace a transformace dat, predikci a zápis do databáze. Proces může rovněž končit zasláním SOAP zprávy webové službě, kterou budou podmíněny další procesy.

Poučme se z historických nezdarů

Celkově je zpracování a příprava dat úhelným kamenem každé podobné úlohy. Obtížným úkolem je i časové a identifikační propojení výrobního zařízení s vyrobenými produkty. Kvalita finálního výrobku může být dána kvalitou vstupní suroviny, ze které mohou být vyrobeny stovky či tisíce výrobků za období několika hodin.

Řešení úloh prediktivní údržby závisí na tom, zda v datech existuje informace o stavu, který chceme predikovat, tzv. cílová proměnná. Takovou proměnnou může být například výsledek odborného hodnocení zařízení expertem při pravidelné odstávce. Budoucí výsledek se pak snažíme odhadnout na základě predikčních modelů založených na historických provozních charakteristikách zařízení, kterým říkáme nezávislé, nebo také vysvětlující proměnné. Predikční model či modely by měly co nejlépe vysvětlit chování cílové, závislé proměnné, na základě hodnot nezávislých proměnných. Někdy však takový vztah ani nemusí existovat, jindy stačí informace z jednoho čidla, abychom s velkou jistotou dokázali predikovat cílovou proměnnou.

Obr. 2: Číselná proměnná a pravděpodobnost překročení kritické hodnoty. Model logaritmické lineární regrese odhaduje kdy a s jakou pravděpodobností dojde k překročení kritické hodnoty.
Obr. 2: Číselná proměnná a pravděpodobnost překročení kritické hodnoty. Model logaritmické lineární regrese odhaduje kdy a s jakou pravděpodobností dojde k překročení kritické hodnoty.

Cílové proměnné mohou mít také podobu číselné veličiny, která nabývá reálných hodnot tloušťky, hustoty, objemu apod. Může se jednat např. o míru opotřebení nějaké součástky. Nejčastěji však analyzujeme dichotomickou cílovou proměnnou, která nabývá dvou hodnot, např. funguje/nefunguje.

Analytický přístup aneb neobjevujme slepé uličky

Analytický proces hledá modely, které nejlépe odhadují cílové veličiny ze známých hodnot v datech. Modely se liší podle druhu úlohy, případně formy cílové proměnné. Vytváříme je z historických dat, abychom predikovali budoucí stavy. Samotná predikce má často formu kategorie predikovaného stavu (stroj je/není ohrožen, výrobek je/není kvalitní) a odhadu pravděpodobnosti, jakési míry jistoty modelu. Výsledky některých algoritmů jsou relativně jednoduché na pochopení, interpretaci a implementaci. To může být pro nasazení modelu klíčové a někdy i důležitější než jejich matematická přesnost. Do skupiny jednoduše interpretovatelných a implementovatelných patří například logistická regrese či rozhodovací stromy. Jiné modely, jako třeba neuronová síť, jsou spíše černou skříňkou.

V prediktivní údržbě klademe maximální důraz na praktické využití doporučení predikčních modelů. Analýzy a predikce neděláme takříkajíc do šuplíku a pro jejich odprezentování, ale pro stanovení jasných doporučení, efektivní automatizaci a vytvoření systému včasného varování. Prediktivní údržba vyžaduje investice do sběru dat, konsolidace datových zdrojů, přípravy predikčních modelů, ale hlavně do implementace změn v rozhodovacím i výrobním procesu. Analytická část procesu prediktivní údržby by nikdy neměla stát osamocena, ale vždy by měla jít ruku v ruce se systémem řízení kvality a realizací změn ve výrobních a pracovních procesech a postupech. Jako ve většině případů je však nutné motivovat a přesvědčit zaměstnance v rámci celého výrobního procesu, že zavedení změn má smysl a je vedením společnosti podporováno.

Libor Šlik Libor Šlik
Autor článku je vedoucím analytického oddělení společnosti ACREA CR.
Chcete získat časopis IT Systems s tímto a mnoha dalšími články z oblasti informačních systémů a řízení podnikové informatiky? Objednejte si předplatné nebo konkrétní vydání časopisu IT Systems z našeho archivu.