Strojové učení posouvá údržbu na novou úroveň

Pro inteligentně řízený podnik je prediktivní údržba nezbytnou záležitostí. Schopnost přesně sledovat výkonnost stroje a předvídat poruchy dříve, než k nim dojde, pomáhá výrobcům vylepšovat celkovou efektivitu zařízení a snižovat ztrátové časy, včetně nákladů spojených s prostoji.

Předním řešením pro prediktivní údržbu je monitorování stavu strojů a zařízení; nicméně shromažďování dat o výkonu daného stroje však představuje pouze začátek. Schopnost přesně interpretovat a sdělovat tyto informace je nezbytná pro zajištění spolehlivosti systému a to je přesně ta chvíle, kdy do hry vstupuje strojové učení. Řešení pro monitorování stavu pomocí strojového učení odstraňuje lidskou chybu z rovnice a činí řešení prediktivní údržby chytřejší a efektivnější.

Co je vlastně prediktivní údržba?

Prediktivní údržba představuje proces sledování výkonu důležitých součástí stroje, jako jsou např. motory, aby bylo možné minimalizovat prostoje potřebné pro provedení oprav. Prediktivní údržba umožňuje uživatelům přesněji předvídat, kdy bude nutný zásah údržby na konkrétním stroji, a to na základě dat získaných v reálném čase ze samotných strojů. Z tohoto důvodu může prediktivní forma údržby přispět ke snížení prostojů stroje, prodloužit průměrnou dobu mezi poruchami a snížit náklady na zbytečně prováděnou údržbu, včetně zásob náhradních dílů na skladě.

Tradičně se manažeři závodů spoléhali na plány preventivní údržby poskytované výrobcem stroje, včetně pravidelného nahrazování součástí stroje na základě doporučeného časového harmonogramu. Tyto časové lhůty však poskytují pouze odhad, kdy bude stroj vyžadovat servisní zásah, avšak reálné používání stroje může značně ovlivnit spolehlivost těchto odhadů.

Monitorování stavu strojů pomocí strojového učení

Monitorování stavu stroje hraje klíčovou roli v prediktivní údržbě, neboť umožňuje uživatelům identifikovat kritické změny ve výkonu stroje. Důležitou podmínkou pro monitorování jsou vibrace. Vibrace stroje jsou často způsobeny nevyváženými, nesouosými, uvolněnými nebo opotřebovanými součástmi. Při zvýšení vibrací může dojít k poškození stroje. Monitorováním motorů, čerpadel, kompresorů, ventilátorů, dmychadel a převodovek kvůli nárůstu vibrací mohou být zjištěny problémy, ještě než se stanou závažnými a způsobí neplánované prostoje.

Snímače vibrací typicky měří efektivní hodnotu rychlosti vibrací RMS, která poskytuje nejrovnoměrnější měření vibrací v širokém rozsahu frekvencí stroje a udává celkový zdravotní stav stroje. Dalším klíčovým datovým signálem, že se strojem se děje něco mimořádného, je změna teploty (tj. přehřívání).

Pět klíčových schopností

Strojové učení představuje jen jeden důležitý prvek, který se podílí na inteligentním řešení monitorování stavu. Níže uvádíme pět klíčových schopností, které poskytuje prediktivní forma údržby:

1. Průběžné monitorování. Nejúčinnější řešení prediktivní údržby spočívá v nepřetržitém monitorování stroje, jež sleduje kritické změny, včetně změn rychlosti vibrací RMS, vysoké frekvence zrychlení RMS a teploty.
2. Strojové učení. Poté, co na váš stroj nainstalujete snímače vibrací, vyžaduje většina snímačů, abyste nashromáždili dostatečné množství vstupních dat pro vytvoření základny referenčních hodnot daného stroje. Strojové učení eliminuje tvorbu lidské chyby díky automatické analýze dat.
3. Bezdrátová komunikace. Bezdrátové řešení monitorování stavu lze snadno a rychle implementovat a přizpůsobit podle toho, jak se mění vaše požadavky, a to i bez nutnosti rozsáhlých prostojů kvůli instalaci kabelových rozvodů.
4. Místní a dálková signalizace. Když byl překročen nastavený práh vibrací nebo teplot, inteligentní systém monitorování stavu by měl poskytovat jak místní, tak i dálkovou signalizaci, jako je vyslání signálu na světelný panel v centrálním místě nebo odeslání e-mailu či textového upozornění.
5. Záznam dat. Řešení pro monitorování stavu, které umožňuje zaznamenávat shromážděná data v průběhu času, zajišťuje ještě optimalizovanější chod strojů a zařízení.

Monitorování vibrací a teplot pomocí strojového učení zvyšuje spolehlivost strojů, snižuje výskyt neplánovaných prostojů a šetří náklady na údržbu. Představuje rovněž snadný způsob, jak začít provádět ještě lepší, datově orientovaná rozhodnutí o strojích a přeměnit svůj podnik na inteligentně řízenou továrnu.

Fritz Cleveland je marketingový ředitel pro bezdrátové systémy ve společnosti Banner Engineering.