System predictive maintenance: jak Jan zapobiegł awarii maszyn

W branżach o wysokiej automatyzacji koszt rośnie jeszcze szybciej, ponieważ zatrzymuje nie jedną maszynę, lecz cały łańcuch: dostawy materiału, obróbkę, kontrolę jakości, pakowanie i wysyłkę.

Dlatego predictive maintenance w produkcji nie jest już dodatkiem do systemu utrzymania ruchu. Stało się sposobem ograniczania ryzyka operacyjnego. Według danych przytaczanych przez McKinsey strategia predykcyjna może zmniejszyć nieplanowane przestoje nawet o 50%, a koszty utrzymania ruchu o 10–40%. Wynik nie pojawia się jednak po samym zakupie czujników. Powstaje dopiero wtedy, gdy dane z maszyn zostaną połączone z modelem analitycznym i konkretnym procesem reakcji.

Jan z tytułu jest postacią modelową. Nie opisuję udokumentowanego przypadku konkretnej osoby. Reprezentuje kierownika utrzymania ruchu, który musi podjąć decyzję przed kolejną awarią, a nie po niej. Jego problem jest typowy: wie, że maszyny zużywają się stopniowo, ale zakład nadal reaguje dopiero wtedy, gdy produkcja już stoi.

Ekonomia przestoju. Dlaczego reakcja po awarii przegrywa

W modelu reaktywnym maszyna pracuje do uszkodzenia. Zespół utrzymania ruchu usuwa skutek. Części zamawia się w trybie pilnym, technicy pracują pod presją, a plan produkcyjny traci aktualność.

Ten model bywa racjonalny przy urządzeniach tanich, łatwych do wymiany i niewpływających na przepływ produkcji. Nie sprawdza się przy prasach, obrabiarkach CNC, piecach, sprężarkach, liniach pakujących i instalacjach, których zatrzymanie blokuje kolejne stanowiska.

Koszt awarii składa się z kilku pozycji:

• utraconej produkcji w czasie postoju;
• nadgodzin i pracy serwisu zewnętrznego;
• transportu ekspresowego części;
• strat materiałowych po przerwaniu procesu;
• ponownego rozruchu i regulacji linii;
• opóźnień w dostawach;
• reklamacji lub kar umownych;
• dodatkowego zużycia energii podczas niestabilnej pracy urządzeń.

W praktyce najdroższa nie zawsze jest sama część. Silnik, łożysko czy falownik mogą kosztować kilka tysięcy złotych. Droższa jest utracona godzina pracy całego procesu.

Podejście reaktywne generuje koszty od 3 do 10 razy wyższe niż utrzymanie oparte na przewidywaniu stanu urządzeń. To nie oznacza, że każdą maszynę należy od razu objąć zaawansowanym modelem sztucznej inteligencji. Oznacza natomiast, że decyzję o pozostawieniu urządzenia bez monitoringu trzeba uzasadnić ekonomicznie.

Prewencja nie wystarcza

Utrzymanie prewencyjne opiera się na kalendarzu albo liczbie cykli. Łożysko wymienia się po określonym czasie. Olej zmienia się po przepracowanej liczbie godzin. Narzędzie zastępuje się po ustalonym przebiegu.

To ogranicza część ryzyka, ale tworzy dwa problemy.

Po pierwsze, część podzespołów zużywa się szybciej niż zakładano. Wtedy awaria następuje przed zaplanowanym serwisem. Po drugie, część elementów pozostaje sprawna, lecz mimo to trafia do wymiany. Firma płaci za części i robociznę, chociaż nie wykorzystała pełnego okresu eksploatacji.

Predictive maintenance przesuwa punkt decyzji. Nie pyta wyłącznie, ile godzin pracowała maszyna. Pyta, jak maszyna zachowuje się teraz i czy jej parametry odbiegają od normy.

Predykcja nie usuwa awarii z procesu. Usuwa natomiast najdroższą niewiadomą: moment, w którym awaria przerwie produkcję.

Jak działa system utrzymania predykcyjnego

System predictive maintenance składa się z pięciu warstw. Każda rozwiązuje inny problem. Brak jednej z nich obniża wartość całego wdrożenia.

1. Dane z urządzenia

Źródłem są czujniki zamontowane na maszynie albo dane już dostępne w sterowniku PLC, systemie SCADA lub rejestratorze procesu. Nie zawsze trzeba instalować nową aparaturę. W wielu zakładach pierwszym krokiem jest sprawdzenie, jakie dane już istnieją i czy można je bezpiecznie pobrać.

Najczęściej wykorzystuje się:

• czujniki drgań maszyn przemysłowych;
• pomiary temperatury łożysk, silników i przekładni;
• ciśnienie oraz przepływ;
• prąd i pobór mocy;
• poziom oleju oraz parametry smaru;
• sygnały akustyczne, w tym ultradźwięki;
• obrazy z kamer termowizyjnych;
• liczbę cykli, czas pracy i obciążenie.

Zakres temperatur pracy wielu czujników IoT wynosi od -40°C do +125°C. To wystarcza dla znacznej części instalacji przemysłowych, ale nie dla wszystkich procesów. Przy wysokiej temperaturze, zapyleniu, wilgoci lub silnych drganiach trzeba dobrać obudowę, sposób montażu i częstotliwość transmisji. Sam zakup urządzenia z deklaracją „przemysłowe” nie rozwiązuje problemu.

2. Łączność i warstwa brzegowa

Dane muszą trafić do miejsca, w którym można je przetworzyć. W zależności od architektury będzie to sterownik brzegowy, lokalny serwer albo chmura obliczeniowa.

Przetwarzanie na brzegu sieci ma przewagę tam, gdzie liczy się czas reakcji, ciągłość działania i ograniczenie transferu. Chmura ułatwia skalowanie, łączenie danych z wielu zakładów i trenowanie modeli na większych zbiorach.

Wybór nie powinien wynikać z mody. Trzeba odpowiedzieć na cztery pytania:

• Czy maszyna może działać, gdy połączenie z chmurą zostanie przerwane?
• Jak szybko trzeba wygenerować alarm?
• Kto odpowiada za bezpieczeństwo danych?
• Czy obecna sieć przemysłowa wytrzyma dodatkowy ruch?

W wielu wdrożeniach najlepszy jest model hybrydowy. Pierwsza analiza odbywa się lokalnie. Dane zagregowane trafiają do chmury. System nie przesyła każdej próbki bez ograniczeń, lecz przekazuje wartości, odchylenia i zdarzenia istotne dla modelu.

3. Model analityczny

Model uczenia maszynowego szuka wzorców poprzedzających usterkę. Może porównywać bieżące zachowanie maszyny z jej historią albo z profilem podobnych urządzeń.

Najczęściej analizowane są:

• wzrost amplitudy drgań;
• zmiana częstotliwości drgań;
• niestabilność temperatury;
• odchylenie poboru prądu od obciążenia;
• powtarzalne przeciążenia;
• spadek wydajności;
• wydłużenie czasu cyklu;
• kombinacje kilku sygnałów, które pojedynczo nie wywołałyby alarmu.

Model nie musi od razu wskazywać dokładnej części, która ulegnie uszkodzeniu. W pierwszym etapie wystarczy wiarygodnie wykrywać odchylenie od normalnego stanu i określać jego pilność.

To istotne, ponieważ zakład produkcyjny często nie ma wystarczającej liczby opisanych awarii. Model trenowany na kilku przypadkach może działać gorzej niż prostszy system progów i trendów. Zaawansowany algorytm nie zastąpi jakości danych.

4. Integracja z CMMS i ERP

Alarm bez działania jest tylko kolejnym komunikatem na ekranie. System powinien utworzyć zgłoszenie w CMMS, przypisać priorytet, wskazać maszynę i zaproponować termin inspekcji. Jeżeli potrzebna jest część, informacja powinna trafić do procesu zakupowego lub magazynowego.

Integracja z ERP pozwala połączyć stan urządzenia z kosztami, planem produkcji i dostępnością zasobów. Dzięki temu kierownik nie widzi wyłącznie komunikatu „wysokie ryzyko awarii”. Widzi również, czy przegląd można wykonać podczas planowanej zmiany asortymentu, ile kosztuje opóźnienie oraz czy część zamienna znajduje się na magazynie.

Bez tej warstwy firma może wykrywać problemy wcześniej, ale nadal reagować ręcznie. Wtedy część potencjalnego zwrotu z inwestycji zostaje utracona.

5. Proces decyzyjny

System musi mieć właściciela. Trzeba zdefiniować:

• kto odbiera alarm;
• kto potwierdza diagnozę;
• w jakim czasie ma nastąpić inspekcja;
• kiedy alarm oznacza natychmiastowe zatrzymanie;
• kto zamyka zgłoszenie;
• jak wynik inspekcji wraca do modelu.

To ostatnie jest często pomijane. Jeżeli system wygenerował alarm, a technik stwierdził brak usterki, ta informacja powinna zostać zapisana. Bez zwrotnego oznaczenia model nie uczy się, które sygnały były trafne, a które generowały fałszywe alarmy.

Czujniki drgań, temperatura i olej. Co mierzyć w pierwszej kolejności

Nie istnieje uniwersalny zestaw czujników dla każdej fabryki. Rodzaj pomiaru wynika z mechanizmu zużycia.

Czujniki drgań sprawdzają się przy łożyskach, przekładniach, silnikach, pompach i wentylatorach. Pozwalają wykrywać niewyważenie, niewspółosiowość, luzy oraz część uszkodzeń łożysk. Kluczowy jest sposób montażu. Czujnik przyklejony w przypadkowym miejscu może generować dane, które nie odzwierciedlają stanu badanego podzespołu.

Temperatura jest tańsza i prostsza w interpretacji. Jej wzrost może wskazywać na problem ze smarowaniem, przeciążenie, tarcie lub pogorszenie chłodzenia. Ma jednak ograniczoną wartość, jeśli mierzona jest zbyt rzadko albo w punkcie oddalonym od źródła problemu.

Analiza oleju i smaru dostarcza informacji o zużyciu elementów, obecności zanieczyszczeń i pogorszeniu właściwości środka smarnego. Wymaga jednak prawidłowego pobierania próbek i określenia harmonogramu badań.

Termowizja pomaga szybko sprawdzić rozdzielnice, połączenia elektryczne, silniki i elementy instalacji. Nie zastępuje ciągłego monitoringu, ale dobrze uzupełnia inspekcje.

Wdrożenie powinno zacząć się od maszyn krytycznych, a nie od całej hali. Krytyczność można określić przez trzy zmienne:

1. Wpływ awarii na produkcję. Czy zatrzymanie maszyny blokuje całą linię?

2. Prawdopodobieństwo uszkodzenia. Jak często występują awarie i jakie mają przyczyny?

3. Koszt skutku. Ile kosztuje godzina postoju, naprawa i utracona dostawa?

Maszyna o niskiej wartości, ale blokująca cały proces, może mieć wyższy priorytet niż drogie urządzenie posiadające redundantny odpowiednik.

Polskie wdrożenia pokazują skalę efektów

Dane z polskich zakładów przemysłowych pokazują, że wartość predykcji można mierzyć nie tylko liczbą alarmów. Liczy się zmiana wskaźników operacyjnych.

W KGHM wdrożenie systemu predykcyjnego przyniosło 23% mniej nieplanowanych przestojów. Volkswagen Poznań ograniczył je o 35%, a jednocześnie obniżył koszty utrzymania o 28% i wydłużył żywotność narzędzi o 22%.

PKN Orlen zastosował sztuczną inteligencję w rafinerii. Efekt obejmował obniżenie kosztów utrzymania ruchu o 20% oraz poprawę efektywności energetycznej o 15%.

To nie są wyniki, które można automatycznie przenieść do każdego zakładu. Różnią się typ maszyn, jakość danych, poziom automatyzacji i dojrzałość procesu utrzymania ruchu. Stanowią jednak punkt odniesienia. Pokazują, że system może wpływać na koszty operacyjne, a nie wyłącznie na raporty działu IT.

Najlepiej oceniać wdrożenie przez zestaw wskaźników:

• MTBF, czyli średni czas między awariami;
• MTTR, czyli średni czas naprawy;
• OEE;
• liczbę nieplanowanych przestojów;
• udział prac reaktywnych w całkowitym czasie pracy zespołu;
• koszt utrzymania jednej maszyny;
• liczbę fałszywych alarmów;
• dostępność części zamiennych;
• zużycie energii na jednostkę produktu.

Wskaźnik OEE może wzrosnąć dzięki predykcji o 5–15%. Dla dużego zakładu nawet kilka punktów procentowych może przełożyć się na miliony złotych dodatkowego wyniku rocznie. Warunek jest jeden: firma musi mieć poprawnie policzoną bazę. Jeżeli OEE jest obliczane różnie na poszczególnych liniach, wynik przed i po wdrożeniu nie będzie porównywalny.

System predykcyjny nie tworzy oszczędności w bazie danych. Tworzy je dopiero wtedy, gdy alarm zmienia plan serwisu, dostępność części albo sposób prowadzenia maszyny.

Koszt systemu predictive maintenance. Gdzie powstaje bariera

Koszt wdrożenia na dużą skalę może wynosić od 50 tys. do 100 tys. dolarów na jedną maszynę. W tej kwocie mieszczą się między innymi czujniki, komunikacja, oprogramowanie, integracja, konfiguracja modeli i praca zespołu wdrożeniowego.

Dla małego zakładu taka inwestycja może być nieproporcjonalna do wartości aktywa. Nie ma sensu obejmować pełnym systemem maszyny o niskim koszcie awarii, jeżeli jej zatrzymanie można usunąć w ciągu kilkunastu minut.

Decyzję trzeba oprzeć na rachunku:

Roczna wartość unikniętych strat = prawdopodobieństwo awarii × koszt pojedynczego zdarzenia × możliwa redukcja ryzyka.

Następnie trzeba odjąć:

• koszt czujników;
• licencje;
• montaż;
• integrację;
• utrzymanie infrastruktury;
• pracę analityków i automatyków;
• szkolenia;
• aktualizację modeli;
• koszt obsługi fałszywych alarmów.

Raporty branżowe wskazują możliwość uzyskania zwrotu na poziomie do 7 dolarów na każdy 1 dolar wydany na rozwiązania predykcyjne oparte na IoT. To wartość orientacyjna, nie gwarancja. Wynik zależy od częstotliwości awarii, ceny przestoju i jakości procesu wdrożeniowego.

Model etapowy ogranicza ryzyko

MŚP nie powinno zaczynać od projektu obejmującego całą fabrykę. Bezpieczniejszy jest pilot.

Przykładowy zakres:

• jedna linia;
• trzy do pięciu maszyn krytycznych;
• jeden typ problemu, np. uszkodzenia łożysk;
• dane historyczne z co najmniej kilku miesięcy, jeżeli są dostępne;
• zdefiniowane wskaźniki bazowe;
• określony czas testu;
• właściciel procesu po stronie zakładu.

Pilot powinien odpowiedzieć na trzy pytania:

1. Czy dane są wystarczającej jakości?

2. Czy alarmy pojawiają się wcześniej niż tradycyjne metody wykrywania?

3. Czy zespół potrafi zamienić alarm na działanie serwisowe?

Jeżeli odpowiedź na trzecie pytanie brzmi „nie”, dalsze zwiększanie liczby czujników nie ma uzasadnienia.

Wdrożenie bez paraliżu produkcji

Proces wdrożenia można zamknąć w pięciu etapach. Czas trwania zależy od liczby maszyn i poziomu integracji, ale typowy plan obejmuje ocenę aktywów, instalację infrastruktury, budowę modeli oraz połączenie z systemami zakładowymi.

Etap pierwszy: wybór maszyn

Ocena aktywów i identyfikacja maszyn krytycznych zajmuje zwykle 1–2 tygodnie. W tym czasie zespół powinien przeanalizować historię awarii, koszty części, czas napraw i wpływ postoju na produkcję.

Nie należy wybierać urządzeń wyłącznie dlatego, że są najnowsze. Najlepszym kandydatem jest maszyna, która:

• często powoduje przestoje;
• ma powtarzalny profil pracy;
• posiada dostępne punkty pomiarowe;
• generuje kosztowny skutek awarii;
• nie ma pełnego rozwiązania zastępczego.

Etap drugi: audyt danych

Przed instalacją czujników trzeba sprawdzić istniejące źródła. Dane z PLC, systemu SCADA, liczników energii i rejestrów serwisowych mogą wystarczyć do pierwszej wersji monitoringu.

Audyt powinien wykryć:

• brak synchronizacji czasu;
• przerwy w rejestracji;
• różne jednostki pomiarowe;
• błędne identyfikatory maszyn;
• brak informacji o rzeczywistym rozpoczęciu i zakończeniu awarii;
• niepełne opisy zleceń serwisowych.

Model nie odróżni awarii od zmiany produkowanego wyrobu, jeżeli nie dostanie informacji o zmianie receptury albo obciążenia.

Etap trzeci: montaż i transmisja

Instalacja infrastruktury IoT i czujników zajmuje zwykle 2–4 tygodnie. Prace trzeba zaplanować razem z produkcją. Czujnik zamontowany bez przestoju technicznego może ograniczyć zakres testów, ale nie powinien zostać zainstalowany kosztem bezpieczeństwa.

Na tym etapie trzeba ustalić częstotliwość pomiaru i sposób buforowania danych. Zbyt rzadka rejestracja przeoczy krótkie zdarzenia. Zbyt częsta zwiększy koszt transmisji i obciążenie systemu bez proporcjonalnego wzrostu wartości.

Etap czwarty: budowa modelu

Rozwój i trenowanie modeli uczenia maszynowego zajmuje zwykle 4–6 tygodni. To nie jest etap jednorazowy. Pierwsza wersja modelu będzie wymagała korekt po konfrontacji z rzeczywistą pracą linii.

Trzeba ustalić próg alarmowy. Zbyt niski wygeneruje dużą liczbę fałszywych ostrzeżeń. Zbyt wysoki skróci czas reakcji i może nie dać zespołowi wystarczającego wyprzedzenia.

W praktyce warto rozdzielić alarmy na trzy poziomy:

• informacyjny — trend odbiega od normy, ale nie wymaga natychmiastowej interwencji;
• serwisowy — należy zaplanować inspekcję lub wymianę części;
• krytyczny — ryzyko awarii uzasadnia szybkie ograniczenie obciążenia albo zatrzymanie urządzenia.

Etap piąty: integracja z działaniem

Ostatnim etapem jest połączenie systemu z CMMS i ERP. Sam panel analityczny nie wystarczy. Technik musi dostać konkretne zadanie, termin oraz kontekst.

Dobry alarm odpowiada na pięć pytań:

• której maszyny dotyczy;
• jaki parametr przekroczył normę;
• od kiedy trwa odchylenie;
• jaki typ usterki jest prawdopodobny;
• jakie działanie należy wykonać.

Komunikat „anomalia wykryta” nie jest diagnozą. Nie pozwala ustalić priorytetu i zwiększa obciążenie zespołu.

Najczęstsze błędy techniczne i organizacyjne

Wdrożenia systemów IoT w utrzymaniu ruchu często przegrywają nie przez algorytm, lecz przez proces.

Instalowanie czujników przed analizą problemu

Firma kupuje zestaw urządzeń, a dopiero później szuka zastosowania. To odwrócona kolejność. Najpierw trzeba zdefiniować kosztowny tryb awarii, następnie dobrać metodę pomiaru.

Brak danych historycznych

Model predykcyjny potrzebuje informacji o stanie normalnym i o zdarzeniach awaryjnych. Jeżeli rejestr serwisowy zawiera wyłącznie wpis „naprawiono”, bez przyczyny, części i czasu wystąpienia, wartość takiego zbioru jest ograniczona.

Ignorowanie fałszywych alarmów

Każdy fałszywy alarm kosztuje czas. Jeżeli system przez kilka tygodni ostrzega bez potwierdzenia, zespół przestaje reagować. Powstaje alarm fatigue, czyli zmęczenie komunikatami.

Brak odpowiedzialności po stronie produkcji

Utrzymanie ruchu może wykryć ryzyko, ale nie zawsze ma możliwość zmiany harmonogramu. Jeżeli produkcja ignoruje zalecenie inspekcji, predykcja nie przełoży się na wynik finansowy.

Traktowanie sztucznej inteligencji jako substytutu wiedzy techników

Technik zna dźwięk, zapach i zachowanie maszyny. Model widzi wzorzec w danych. Te źródła wiedzy powinny się uzupełniać. System, który odrzuca ocenę człowieka, traci kontekst. Człowiek, który ignoruje dane, traci skalę i powtarzalność.

Brak cyberbezpieczeństwa

Podłączenie maszyn do sieci zwiększa powierzchnię ataku. Segmentacja sieci przemysłowej, kontrola dostępu, szyfrowanie transmisji i aktualizacje nie są dodatkami do projektu. Należą do jego zakresu podstawowego.

Czy każda firma potrzebuje predykcji

Nie. Predictive maintenance nie jest opłacalne dla każdego urządzenia.

Pełne wdrożenie ma uzasadnienie, gdy jednocześnie występują:

• wysoki koszt godziny przestoju;
• brak szybkiego zamiennika maszyny;
• powtarzalne tryby uszkodzeń;
• możliwość zebrania wiarygodnych danych;
• zespół zdolny do reakcji;
• budżet na integrację i utrzymanie systemu.

W pozostałych przypadkach lepszy może być prostszy model: regularna inspekcja, termowizja, ręczna analiza drgań albo monitoring kilku parametrów bez uczenia maszynowego.

To także oznacza, że system predictive maintenance nie zastępuje całego utrzymania ruchu. Nadal potrzebne są przeglądy, smarowanie, wymiana elementów eksploatacyjnych i reakcja na nagłe uszkodzenia. Predykcja ogranicza niepewność. Nie usuwa fizyki, zużycia ani błędów operatora.

Decyzja Jana

Jan nie powinien zaczynać od pytania, jaki system kupić. Powinien zacząć od pytania, ile kosztuje zakład każda godzina postoju konkretnej maszyny i jak wcześnie można wykryć jej degradację.

Jeżeli koszt awarii przewyższa koszt monitoringu, dane są dostępne, a zespół potrafi wykonać zaplanowaną interwencję, wdrożenie ma podstawy ekonomiczne. Jeżeli nie, firma powinna najpierw uporządkować rejestry, procedury i odpowiedzialność.

Decyzja jest binarna:

• wdrażaj, gdy znasz koszt ryzyka, masz dostęp do danych i możesz wykonać działanie po alarmie;
• nie wdrażaj jeszcze, gdy nie znasz trybów awarii, nie masz właściciela procesu albo nie potrafisz zmierzyć efektu.

Największym błędem nie jest brak sztucznej inteligencji. Jest nim zakup systemu bez powiązania z decyzją operacyjną. Predictive maintenance w produkcji zaczyna działać dopiero wtedy, gdy sygnał z czujnika zmienia termin serwisu, dostępność części i sposób planowania pracy maszyny. W przeciwnym razie pozostaje kosztownym panelem z wykresami.