V podstatě je možné říci, že přístup k údržbě může být reaktivní, nebo proaktivní, stejně jako u vedoucích pracovníků může být reaktivní, či proaktivní styl řízení. Je s podivem, že i v dnešní době, kdy stále více skloňujeme výrazy jako IoT (internet věcí) nebo Průmysl 4.0, mnoho společností stále nevyužívá možnosti prediktivní údržby a stále jedná spíše reaktivně.

Reaktivní přístup k údržbě různých zařízení spočívá jen v tom, že opravíme to, co se zrovna porouchá, v lepším případě na základě zkušeností obsluhy tušíme, že se něco velmi brzy porouchá, a rychle se snažíme zajistit servis tohoto zařízení. Jistě si ale všichni uvědomujeme, že toto není cesta k vyšší efektivitě, protože dochází k neplánovaným odstávkám, které zejména ve výrobě mohou mít výrazné ekonomické dopady. Současně nám vzniká problém se zajištěním servisní organizace, která také velmi pravděpodobně nečeká ve startovních blocích, až ji zavoláme, ale má své servisní pracovníky v terénu u jiných zákazníků.

Servis na míru

Proaktivní přístup = prediktivní údržba. Pod tímto spojením si lze představit automatizovaný sběr informací ze zařízení, které se vyhodnocují v příslušném systému a na základě těchto informací lze predikovat – tedy předvídat možné problémy a poruchy strojů a zařízení a včas jim předcházet vhodným servisem nebo jiným postupem.

V praxi použití prediktivní údržby znamená, že minimalizujeme ztráty, které nám mohou vzniknout výpadkem zařízení a zastavením výrobního procesu a náklady na výměnu a expresní údržbu. Současně jsme schopni efektivně plánovat servis zařízení, aby dobře zapadl do výrobního plánu a prostoje existovaly v době nižšího zatížení. Příkladů může být mnoho, výměna baterií v záložních zdrojích, VZV ve skladech a výrobních podnicích, nebo třeba „obyčejné výtahy“. Zkusme se tedy chvilku pozastavit zrovna u těch „obyčejných výtahů“. Tato zařízení jsou téměř všude, kam se podíváte. Existuje spousta hotelů, kde tato zařízení musí fungovat. Asi žádný hotel si nepřeje vysvětlovat zákazníkovi, že výtah má poruchu a musí v lepším případě použít jiný nebo jít po schodech. A přitom je to tak jednoduché. Zařízení o sobě může odesílat informace do systému. Tyto informace se mohou týkat například toho, kolikrát byl v provozu, jaké zatížení vezl a jakékoli další, které si lze vymyslet. Z těchto informací lze následně predikovat možnou poruchu a předcházet jí tím, že včas domluvíme/zajistíme servis tohoto zařízení. Navíc, protože je zařízení stále v provozu, můžeme si dovolit ten komfort, že servis domluvíme na noční dobu, kdy je nejméně vytížen a hosté to nebudou tolik pociťovat.

Existují systémy, které přesně toto dokážou zajistit. Zahrnují v sobě nejen prediktivní údržbu, ale i inteligentní servis, který je dostupný i na mobilních zařízeních.

Senzory i černá skříňka

Zavedením prediktivní údržby zvyšujeme efektivitu a zpravidla sledujeme určité cíle. Mezi hlavní bychom mohli zařadit tyto:

• zajištění plynulosti provozu
• plánování doby nutné odstávky s ohledem na délku trvání
• plánování vhodného termínu odstávky
• snížení finančních nákladů při výpadku (zejména výrobní společnosti)
• optimalizace zásob náhradních dílů (pokud si společnost provádí servisní činnosti sama)

Samozřejmě se lze zeptat: co se zařízeními, která neumí odesílat požadované informace? Nevadí, to, že ne všechna zařízení jsou na vlně průmyslu 4.0, je jasné. Avšak i tato zařízení lze vhodně doplnit čidly a jinými senzory a také „černou skříňkou“, která data odešle do systému.

Ačkoliv lze zavedení prediktivní údržby více než doporučit, je zcela zřejmé, že i v tomto konceptu je třeba zvolit, pro která zařízení je to opravdu nutné a vhodné. Ne všechna zařízení, která mohou být zavedena do režimu prediktivní údržby, to vyžadují a jsou nutná pro zajištění plynulého provozu například výrobní linky.

Data (nejen) pro údržbu

Ruku v ruce s prediktivní údržbou jde inteligentní servis. Tato část nebo modul, jak kdo chce, je neodmyslitelnou součástí prediktivní údržby. Vždyť na základě analýzy dat z prediktivní údržby jsme schopni naplánovat včasný a vhodný servis. To nejen pokud si servis provádíme jako společnost sami, ale zejména pokud jsme servisní organizace a provádíme tuto službu pro jiné společnosti.

V běžném provozu jednotlivá zařízení odesílají poměrně velké množství dat. Tato data jsou nejen pro prediktivní údržbu, ale je třeba s nimi nadále pracovat a analyzovat je, aby byla efektivně využita. Jako jednoduchou formu analýzy tvoříme grafy a tabulky, které nám napovídají v dalším rozhodovacím procesu pro lepší organizaci servisních pracovníků nebo ukazují na možná slabá místa v zařízení, na která je třeba se více zaměřit při vývoji nebo údržbě. Bohužel toto stojí nějaký čas a úsilí. Pokročilejší částí je implementování algoritmů, které tuto analytickou činnost provedou za nás a připraví nám nejen grafy a tabulky pro naše rozhodování, ale rovnou nám doporučí vhodnou úpravu predikce pro potřebný servis zařízení.

Inteligentní pracovník pro inteligentní servis

A proč tedy vlastně inteligentní servis? No proto, že systém dle zjištěné závady umí nabídnout správného servisního pracovníka, který má na dané zařízení správnou kvalifikaci a předpoklady, je blízko daného zařízení a má volný čas. Servisní technik je informován o plánovaném zásahu přímo do svého zařízení a může kontaktovat zákazníka. Velmi jednoduchý příkladem může být automobil. S trochou nadsázky lze říci, že pokud bude systém automobilu hlásit servis oleje, nepošleme na tuto činnost autoelektrikáře, který má sice volno, ale nemá na tuto činnost kvalifikaci, ale spíše automechanika.

Na základě dat ze systému prediktivní údržby je automaticky nebo pomocí dispečera generován servisní požadavek, naplánování servisního pracovníka, kterému tato informace přijde na jeho mobilní zařízení a on může rovnou kontaktovat zákazníka s informacemi o svém příjezdu. Systém může pracovníka přímo navigovat na místo servisního zásahu.

Spokojenost na obou stranách

Závěrem lze asi konstatovat, že pro optimalizaci nákladů a zvýšení efektivnosti je více než vhodné pracovat proaktivně, a tedy pracovat na rozvoji prediktivní údržby a inteligentního servisu. V takovém případě budou spokojení jak zákazník, tak servisní organizace. Zákazník sníží náklady za případné havárie a poskytovatel služeb naopak může lépe plánovat využití svých zdrojů a má spokojené zákazníky.

Jaroslav Otcovský Autor článku je manažerem pro zavádění systému SCS pro prediktivní údržbu a inteligentní servis a vedoucím pobočky Kladno ve společnosti Asseco Solutions.