Uplatnění prediktivní analýzy na lisu ve společnosti MacLean-Fogg

Obrázek 2: Tvářecí lis AMP50 ve společnosti Metform. Obrázek publikován se svolením společnosti Metform Obrázek 2: Tvářecí lis AMP50 ve společnosti Metform. Obrázek publikován se svolením společnosti Metform

Prediktivní forma údržby na lisu pro tváření zatepla nasměrovala dodavatele pro automotive k chytré výrobě.

Chytrá výroba v podobě prediktivní analýzy vede výrobce k výrobnímu paradigmatu nulových prostojů, nulového odpadu a nulových závad. Tradiční přístupy reaktivní nebo preventivní údržby jsou nahrazovány využíváním snímačů, zařízeními na bázi internetu věcí (IoT) a pokročilými analytickými nástroji. Analytické nástroje zahrnují algoritmy strojového učení, které dávají datům význam a v konečném důsledku vytvářejí efektivnější postupy údržby, snižují množství neplánovaných odstávek a zvyšují celkovou produktivitu zařízení (viz obr. 1).

aObrázek 1: Ekonomické odůvodnění použití prediktivních analytických nástrojů. Obrázek publikován se svolením společnosti IoTco

Z pohledu dodavatelů s napjatými rozpočty mohou tyto cíle znít chvályhodně, ale zároveň riskantně a nákladně. Dobrou zprávou je, že spíše než zabývat se modernizací celého podniku najednou může výrobce začít získávat výhody plynoucí z analýz a konektivity poměrně rychle a snadno. Řešením je začít v malém, třeba zapojením jednoho zařízení do sítě, což pomůže při shromažďování dat umožňujících prediktivní údržbu; poté, co uvidíte, že přínosy narůstají, můžete do systému zapojit další stroje.

Tváření zatepla ve společnosti Metform

Právě takový přístup zvolila společnost Metform, výrobce ze Savannah ve státě Illinois, která dodává komponenty pro automobilový průmysl a těžká nákladní vozidla. Metform je divizí společnosti MacLean-Fogg, rodinné výrobní společnosti čtvrté generace. Mezi výrobky společnosti Metform patří matice kol Securex pro těžká nákladní vozidla, dále přívěsy, polotovary ozubených kol pro automobilový průmysl a různé speciální spojovací prvky či tvarované díly.

Společnost disponuje 10 lisy na tváření zatepla od výrobce Hatebur. „Proces tváření zatepla představuje páteř našeho podnikání,“ poznamenal John Delk, manažer sekce pro neustálé zlepšování ve společnosti Metform. „V podstatě odebíráme ocelové tyče a zahříváme je nad stupeň transformace na cca 1 232 °C.“

Následně je polotovar odříznut a přesune se na další stanici, kde se pomocí razníku a matrice vylisuje do základního tvaru. Na druhé stanici se obrobku přidají obrysové tvary a na třetí stanici dojde k vyražení otvoru ve středu obrobku. „Proces probíhá rychlým počtem úderů za minutu – stroj se pohybuje vysokou rychlostí a díly jsou velmi horké,“ popsal ve stručnosti výrobní proces na dílně John Delk.

Největším z lisů pro tváření zatepla je stroj Hatebur AMP50XL (viz obr. 2 výše). „Máme pouze jeden takový stroj,“ uvedl Steve Wright, generální ředitel společnosti Metform.

„Stroj AMP50XL byl nainstalován v roce 2012 a během následujících devíti let jsme na něm provedli tři velké neplánované servisní zásahy. Vzhledem k tomu, že je to jediný lis této kapacity, který máme, a že ho používáme k dodávkám dílů pro automobilový průmysl, nemůže se nám to prostě stávat. Dovedete si představit, jaké starosti tyto odstávky způsobily našim zákazníkům,“ zdůraznil Wright.

Společnost, jak se alespoň domnívala, sice měla zavedený spolehlivý a robustní systém preventivní údržby, avšak po vzniku těchto událostí bylo všem jasné, že je zapotřebí systém nějakým způsobem zefektivnit. „Ve spolupráci se společností IoTco jsme začali používat systém Predictronics (PDX),“ dodal Wright.

IoTco LLC z Cincinnati je poradenská firma, která spolupracuje se společnostmi na vytváření konkurenční výhody prostřednictvím digitální transformace, přičemž využívá průmyslový internet věcí (IIoT) a nástroje prediktivní analýzy k propojení a analýze složitých výrobních procesů, systémů a strojů. Přitom identifikuje příležitosti ke snížení nákladů, zvýšení efektivity, odstranění plýtvání a zvýšení produktivity. Predictronics představuje softwarové řešení založené na prediktivní analýze, umělé inteligenci (AI) a strojovém učení.

Začali jsme v malém měřítku, avšak s největším lisem

Jeden lis na tváření zatepla, jakkoli může být fyzicky velký a pro podnik důležitý, je stále jen jedním zařízením. Rozhodnutí pustit se do prediktivní analýzy právě u tohoto lisu je příznačné pro strategii společnosti Metform; jejím cílem je rychle dosáhnout měřitelné návratnosti investic (ROI) a v souladu se standardní radou společnosti IoTco začít v malém měřítku.

„Chtěli jsme definovat ekonomickou potřebu tohoto projektu. Požadovali jsme návratnost investice za méně než dva roky,“ upřesnil Delk. „I když jsme začínali v malém, zaměřili jsme se na naše nejkritičtější aktivum – a pouze na toto aktivum.“

Při výpočtu návratnosti investic společnost zvažovala nejen náklady na opravu lisu v případě jeho poruchy, ale také náklady na ztrátu výrobního času, protože podle Delka se jedná o jednoúčelové aktivum. „Životnost nástrojů je další oblastí, kterou budeme při tomto nasazení zkoumat. Kombinace těchto tří faktorů a možnost zlepšit naši OEE (celkovou efektivitu zařízení) byly klíčovými faktory, které hrály roli při výpočtu návratnosti investice.“

Společnost Metform se rozhodla zaměřit konkrétně na hnací ústrojí AMP50XL, protože „to byla oblast, kde jsme spatřovali největší příležitost ke zlepšení“. I když již dříve shromažďovali data ze stroje pro potřeby prediktivní údržby, uvědomili si, že starý postup nebyl ani efektivní, ani dostatečně podrobný. „Z hlediska sběru dat se používala spousta tabulek, řada ručně psaných poznámek a velké množství individuálních znalostí,“ popisoval bývalý stav Delk.

„Chtěli jsme se ujistit, že tyto informace jsme schopni shromáždit a dát je do vzájemných souvislostí v rámci provádění analýzy zařízení.“

Delk si uvědomil, že dostupná data nejsou kompletní, a pokračoval: „Měli jsme poměrně dobré informace o tom, jak stroj pracuje, tj. data zachycená v PLC (programovatelný logický automat), ale potřebovali jsme se ujistit, že tato data poskytujeme správným členům týmu ve správný čas, aby operátoři, tým údržby i naše vedení dostávali odpovídající informace o tom, jaké budou naše další kroky. Uvědomili jsme si, že v oblasti přístrojového vybavení se musíme posunout kupředu.“

Tým, který zahrnoval inženýry ze společností Metform a MacLean-Fogg, jakož i odborníky ze společností Predictronics a Forging Equipment Solutions (partnera společnosti Hatebur, výrobce lisu AMP50XL), dospěl k závěru, že bude zapotřebí dodatečně nainstalovat snímače na čtyřech sběrných místech po obvodu hnacího ústrojí.

„Jedním z důležitých aspektů tohoto projektu bylo vytipování snímačů vibrací a jejich umístění,“ konstatoval Roman Totten, výrobní inženýr společnosti MacLean-Fogg.

„Diskutovali jsme o tom, zda potřebujeme jednoduché axiální nebo tříosé snímače a kam je chceme umístit. Nakonec jsme se při vzpomínce na předešlé poruchy lisů a na to, kde v hnacím ústrojí k nim mohlo dojít, rozhodli, že nejlepší bude zvolit tříosé snímače, abychom získali všechny tři rozsahy pohybu hřídelí, které sledujeme,“ vysvětlil zvolený postup Totten. „Navíc jsou tato místa široce rozprostřena a dotýkají se téměř všech hlavních hřídelí v rámci hlavního hnacího ústrojí tohoto stroje.“

Od snímačů k softwaru

Data ze čtyř nově instalovaných tříosých snímačů, stejně jako data, která byla dříve k dispozici prostřednictvím PLC, jsou přiváděna do systému se softwarem Predictronics, jenž byl vyvinut pro aplikace typu Průmysl 4.0 a pro podniky zavádějící smart řízení systémů, včetně prediktivní údržby.

Software disponuje moduly pro sběr dat a konektivitu, protože sběr kvalitních dat je základem pro přijímání přesnějších rozhodnutí o stavu strojů a zařízení. Obsahuje také moduly pro analýzu všech těchto dat.

„Systém využívá kombinaci technik předzpracování, extrahování metrik nebo funkcí z dat a také strojového učení,“ upřesnil posléze Totten.

„Pokud jde o architekturu, jak bylo řešení nakonfigurováno, začínáme s vrstvou stroje a díváme se na to, jaká data můžeme shromažďovat, což zahrnuje snímače, které již mohou být k dispozici pro řízení stroje. Mohlo by jít o tonáž nebo třeba o rychlost zdvihu stroje a podobně,“ dodal Totten.

K tomu se přidávají údaje ze čtyř snímačů instalovaných ke sledování stavu stroje. „Pomocí našeho softwaru pro sběr dat všechna tato data shromažďujeme a poté je odesíláme na IT server, kde je možné provádět důkladnější analýzy,“ poznamenal Totten.

Zpracování signálů zahrnuje filtrování, hledání zákonitostí v datech. Poté se pomocí extrakce příznaků najdou relevantní „příznaky“, tedy ty metriky, které souvisejí se stavem stroje (viz obr. 3).

bObrázek 3: Systematický přístup k prediktivní analýze. Obrázek publikován se svolením společnosti Predictronics

„Tyto výsledky pak mohou být zobrazeny na přístrojovém panelu a také prezentovány koncovému uživateli,“ vysvětlil Totten. „Jde o to sledovat je v průběhu času a pomocí strojového učení je porovnávat s referenčními podmínkami, zpočátku obvykle s výchozím stavem. A když máte k dispozici hodnocení stroje nebo procesu v průběhu času, můžete podle potřeby podniknout další kroky za účelem provádění diagnostiky a predikce.“

Informace o aktuální kondici zařízení

„Díky systému, který je nyní zaveden na stroji AMP50XL, sbíráme každých 20 minut během výroby data v délce trvání 10 sekund při frekvenci 10 000 Hz. Tímto dochází ke shromažďování velkého množství dat,“ uvedl Delk. „Naše řešení PDX provádí na pozadí určité analýzy a poskytuje nám index aktuální kondice zařízení.“

Na začátku procesu tým použil data v rozsahu asi tří týdnů, aby stanovil základní úroveň kondice. „Nyní se na řídicím panelu systému zobrazuje, zda a jak se od této základní linie odchylujeme,“ upřesnil Delk.

Delk dále upozornil, že projekt je teprve v počátcích, ale že již nyní jsou dostupná data přínosem. „Jsme teprve na začátku naší cesty, ale tento proces skutečně podněcuje vzájemné rozhovory mezi naším týmem údržby, provozním týmem, výrobním inženýrem Romanem Tottenem a mnou.“

„Když po nějaké době vidíme změny v datech, ptáme se, na co to poukazuje? Je velmi důležité snažit se pochopit vzájemnou souvislost mezi tím, na co ukazují data, a tím, co se současně děje se zařízením v provozu. Výsledkem je, že máme dobrý přehled o stavu strojů v průběhu času,“ konstatoval Delk.

Ekonomické zdůvodnění projektu předpokládalo dosažení návratnosti investic do dvou let a na jednom aktivu – stroji AMP50.

„Zůstáváme věrni našemu plánu,“ pokračoval Delk, „vždycky existuje nutkání expandovat dál a rychlejším tempem, než jsme připraveni, nebo získat více z toho, čeho jsme již dosáhli. Musíme si dát na začátku čas a porozumět datům, než začneme vytvářet předpoklady týkající se aktuální kondice stroje.“ (viz obr. 4)

PLE2110 MAG IoTco Fig 4Obrázek 4: Zhodnocení kondice stroje, predikce a diagnostika. Obrázek publikován se svolením společnosti Predictronics

Tým se zároveň těší, že časem bude moci tento proces v rámci zařízení rozšířit. „Jako generálnímu řediteli se mi zatím líbí, co vidím,“ s potěšením konstatoval Wright. „Jsme schopni sledovat stav stroje, vidět v reálném čase, jak si stroj vede, a rozpoznat varovný signál dříve, než se z něj stane závažný problém. Máme před sebou ještě dlouhou cestu, pokud jde o učení, jak systém efektivněji využívat, a o získávání další důvěry v systém, ale v tuto chvíli jsem opravdu spokojen s pokrokem, jehož jsme dosáhli. Nemohu se dočkat, až se tento systém rozšíří na dalších devět lisů Hatebur.“

Nad rámec prediktivní údržby

Společnost Metform se zaměřuje na prediktivní údržbu a na jeden stroj – alespoň prozatím. S tímto systémem však lze udělat mnohem více.

„Pokud se podíváte na přístup k budování těchto prediktivních systémů s využitím strojového učení a umělé inteligence, existuje šest pilířů dat, které bereme v úvahu při nastavování systému sběru dat,“ objasnil proces Seigel. „Mezi ně patří sběr dat, zpracovávání signálu, extrakce funkcí, diagnostika poruch, trendování/predikce a hodnocení kondice zařízení.“

„Informace z řídicích jednotek využívajících protokoly, jako je MT Connect, a z dalších přístrojů, jako jsou čtyři tříosé snímače přidané ke stroji Metform, lze kombinovat společně s vhodnou frekvencí spínání a vzorkování, aby bylo možné zviditelnit užitečná data těchto šesti kategorií,“ dodal Seigel. „Když máte k dispozici kvalitní data, můžete snadněji rozhodovat o probíhajících procesech na stroji.“

„Podniky mají rovněž možnost propojit tyto prediktivní systémy se svými systémy údržby nebo systémy pro správu technických prostředků, které používají např. SAP, Infor, Oracle apod.,“ nastínil další možnosti Abuali.

Postupem času bude společnost Metform objednávat náhradní díly předvídatelnějším způsobem a promyšleněji optimalizovat plány preventivní údržby. Odstraní nadbytečnou formu údržbu a posune provoz z reaktivního režimu na prediktivní a preventivní, a dokonce preskriptivní režim provádění údržby.

Tím se dosáhne nejen zlepšení celkové efektivity výroby, ale ovlivní se i střední doba mezi poruchami (MTBF), střední doba opravy (MTTR) a plánování zdrojů údržby.

Prediktivní řízení kvality – skutečná korelace strojních a procesních dat s kvalitou výrobků a vyráběných šarží – je také možností budoucnosti. Bude možné zjišťovat a předpovídat tvorbu zmetků, které by mohly vzniknout na stroji v důsledku odchylky od parametrů procesu nebo v souvislosti s problémy s údržbou stroje.

Schopnost měřit, zaznamenávat a využívat taková data má obrovský přínos napříč výrobním úsekem i mimo něj. Je důležité být chytrý, ale to nejdůležitější je začít.

Autorem článku je Mo Abuali, generální ředitel a vedoucí partner společnosti IoTco, která je obsahovým partnerem společnosti CFE Media. Je držitel ocenění Engineering Leader Under 40.

Řízení a údržba průmyslového podniku

Časopis Řízení a údržba průmyslového podniku již přes 10 let patří mezi neodmyslitelný zdroj informací v oblasti průmyslové údržby a diagnostiky. Část obsahu je z pera licenčních autorů Plant Engineering z USA.

www.udrzbapodniku.cz