rosler murr Schunk

Analýza dat ve výrobě dokáže předvídat výpadky

Každý výpadek či omezení výrobního procesu nebo výroba kvalitativně nevyhovujících produktů představují pro průmyslové podniky problém. Ale lze mu předejít.

 

Nasazením moderních průmyslových IoT řešení lze nejen kontinuálně sledovat a analyzovat provozní parametry, kvalitu produkce a výrobní prostředí, ale i včas odhalit problémy a v mnoha případech dokonce predikovat hrozící závady a výpadky.
Data sbíraná ze senzorů instalovaných na strojích a zařízeních ve výrobě a montáži jsou dnes nejdůležitějším a nejcennějším zdrojem informací. Po jejich zpracování prostřednictvím datové analýzy, případně i pomocí postupů strojového učení, lze předvídat hrozící poruchy a havárie. Provozní specialisté se tak mohou včas a správně rozhodovat, kvalifikovaně zasáhnout a ušetřit nemalé prostředky.

Složitost pouze zdánlivá
Běžnou představou firem je, že k dosažení smysluplného výsledku je potřeba sledovat mnoho dat v reálném čase a zpracovat je složitými postupy datové analýzy. Tato představa bývá odstrašující a k implementaci řešení proto často nedojde. Realita je však taková, že ve standardních případech většinou nemá smysl implementovat drahé systémy datové analytiky s mnoha funkcemi do běžného provozu, protože klíčových parametrů, které je nutné v reálném provozu sledovat, je obvykle jen několik. Pro určení, které je potřeba měřit, je dobré začít pilotním projektem na konkrétní výrobní lince, stroji či procesu, kdy se ze začátku sleduje více parametrů a následná analýza získaných dat určí, které z nich jsou klíčové. Analýzu je přitom možné dělat off-line, mimo provoz, anebo v IT struktuře a prostředky dodavatele řešení. V této fázi procesu se často uplatňuje strojové učení.
Výsledkem je identifikace klíčových parametrů, které je nutné sledovat, a zjištění, jaké jsou změny hodnot těchto parametrů před výskytem poruchy nebo výpadku. Jaké parametry je potřebné měřit, záleží vždy na druhu zařízení, stroje nebo procesu, většinou však jde o teplotu, tlak, průtok, vibrace či odběr elektrického proudu a o změnu jejich hodnot nad nebo pod „standardní provozní úroveň“. Následně je na omezené instalaci části linky nebo stroje potřebné potvrdit výsledky analýzy v reálném provozu, a ověřit, zda po překročení standardních hodnot klíčového parametru nebo více parametrů skutečně dojde k poruše. Výsledkem je pak ověřený návrh řešení prediktivní údržby, který je možné poměrně jednoduše a s důvěrou nasadit ve výrobě.

Výpadek linky je velkým problémem
Dobrým příkladem jsou podniky, které využívají poháněné montážní linky, typicky v automobilovém průmyslu. Linky jsou složeny z velkého počtu pomalu se pohybujících platforem, na kterých se montují automobily. Pokud se vlivem poruchy linka zastaví a dojde k výpadku produkce, musí pracovníci údržby zjistit, která z platforem výpadek způsobila a vadný komponent fyzicky vyjmout, vyměnit či opravit. To vše trvá i několik hodin. Vzhledem k tomu, že při bezporuchovém stavu sjede z linky každých několik minut jedno auto, představuje její několikahodinový výpadek pro firmu značné finanční ztráty. U automobilek navíc linky „jedou“ obvykle v režimu 24/7, tzn. prakticky nonstop, což komplikuje provádění klasické preventivní údržby. Prediktivní údržba, která umí upozornit na blížící se poruchu s dostatečným předstihem, je pak řešením.
Jedna z analýz v rámci pilotního projektu v automobilce ukázala, že nejčastější příčinou výpadku linky je nadměrné zvýšení teploty pohonného mechanizmu, což může způsobit jeho poruchu nebo zablokování podvozku pohybující se platformy. Zvýšená teplota kol podvozku je v implementovaném řešení měřená pyrometrickými senzory, umístěnými na několika místech linky. Přenos dat probíhá prostřednictvím jedné z možností (industriální ethernet, nebo privátní IoT LP WAN bezdrátová síť) a naměřené hodnoty se porovnávají proti průměru na aplikační úrovni. V aplikaci je nastaveno upozornění na konkrétní platformu, které je odesíláno pracovníkům údržby formou SMS a e-mailů, takže informaci dostanou již před hrozícím výpadkem s předstihem několika hodin. Během plánované několikaminutové přestávky je pak možné problémovou součást vyměnit či opravit a neztrácí se tak drahocenný čas a peníze.

Prediktivní údržba elektromotorů
O mnoho častějším příkladem je prediktivní údržba elektromotorů různých typů a velikostí, které jsou využívány téměř všude. Jejich kontrola se ve firmách přitom zpravidla provádí pravidelně na základě stanoveného plánu údržby. Při větším počtu elektromotorů není ale taková preventivní údržba nejefektivnějším řešením. Mnohem výhodnější je nasadit systém prediktivní údržby, který v pravidelných intervalech sleduje vibrace, teplotu a odběr proudu motoru. Když se parametry motoru začínají zhoršovat, systém upozorní pracovníky údržby. Moderní IoT technologie umožňují implementaci potřebné senzoriky, přenosu a zpracování dat ve formě „black boxu“ umístěného přímo u motoru bez nutnosti napájení z elektrické sítě a bez rozsáhlé kabeláže (viz obr. 1)

Běžná údržba nebo prediktivní?
Vyplatí se investovat do IoT technologií prediktivní údržby? Dá se paušalizovat návratnost implementace takovéhoto řešení po finanční stránce? Tyto otázky si pokládá řada firem. Odpovědi jsou jasné. Například odstávka výrobní linky v automobilovém průmyslu, třeba jen půlhodinová, znamená velké finanční ztráty, ale nasazením IoT řešení lze dosáhnout odstranění většiny výpadků. Návratnost lze měřit nanejvýš v řádu týdnů a i v případě, kdy prediktivní údržba s využitím IoT technologií nahradí dobře zvládnutou údržbu preventivní, jako je to v případě elektromotorů, znamená zvýšení efektivity návratnost v řádu měsíců. Investice do IoT řešení se tak jednoznačně vyplatí i malým subjektům a podnikům.

Martin Hummel, Soitron
Foto: Soitron

 
Publikováno: 21. 6. 2021 | Počet zobrazení: 315 článek mě zaujal 68
Zaujal Vás tento článek?
Ano