Konserwacja predykcyjna w fabrykach
Współczesne fabryki już od wielu lat są zakładami opartymi na niezwykle złożonych i zaawansowanych technologiach. W skład linii montażowych wchodzi zwykle wiele maszyn, urządzeń i podzespołów wykonujących określone zadania w ustalonej kolejności. Problem dotyczący tylko jednego z elementów takiego łańcucha może zakłócić cały proces, a nawet całkowicie zatrzymać produkcję. Takie przerwy są niezwykle kosztowne, dlatego fabryki kładą duży nacisk na konserwację i utrzymanie urządzeń, inwestując w nie duże kwoty. Główny problem polega na tym, że większość prac konserwacyjnych jest przeprowadzana rutynowo – niezależnie od tego, czy występuje konieczność naprawy jakiegoś podzespołu. Drugą opcją jest konserwacja reaktywna – w tym modelu prace konserwacyjne przeprowadzane są w reakcji na awarię. Pomimo tego, że oba podejścia pomagają zmniejszyć ryzyko długotrwałego przestoju zakładu, żadne z nich nie jest szczególnie skuteczne w zapobieganiu ich występowaniu. Rozwiązaniem tego problemu jest konserwacja predykcyjna, którą zajmuje się zespół finansowanego ze środków Unii Europejskiej projektu PROGRAMS (PROGnostics based Reliability Analysis for Maintenance Scheduling). „Chcemy pozyskiwać informacje z każdego poziomu fabryki – od danych z kontrolerów i czujników, przez protokoły konserwacji, wiedzę operatorów maszyn, aż po cechy fizyczne i inne charakterystyki – aby na ich podstawie uzyskać, przy pomocy algorytmów opartych na sztucznej inteligencji, optymalny harmonogram działań konserwacyjnych”, mówi koordynator projektu Sotiris Makris – kierownik Zakładu Robotyki, Automatyki i Rzeczywistości Wirtualnej w Laboratorium Systemów Produkcyjnych i Automatyzacji przy greckim Uniwersytecie w Patras. „Dzięki ograniczeniu do minimum wpływu działań związanych z konserwacją na plan produkcji możemy zwiększyć wydajność i obniżyć koszty”.
Nowa jakość w konserwacji predykcyjnej
Głównym rezultatem projektu jest opracowanie innowacyjnego narzędzia pozwalającego na przewidywanie pozostałego okresu eksploatacji części lub elementu. „Dzięki inteligentnym algorytmom opartym na zgromadzonych danych oraz modelach bazujących na sztucznej inteligencji nasze narzędzie stanowi nową jakość w konserwacji predykcyjnej”, zauważa Makris. Jak twierdzi badacz, znajomość pozostałego okresu eksploatacji pozwala przedsiębiorstwom na dokonywanie obliczeń wydatków w perspektywie krótko- i długoterminowej. „Takie informacje usprawniają procesy decyzyjne dotyczące zamawiania części zamiennych oraz planowania konserwacji maszyn”, dodaje badacz. „Można je także wykorzystać w celu zapewnienia, że personel jest odpowiednio przeszkolony w zakresie wykonywania wymaganych prac konserwacyjnych”. Opracowując nowe narzędzie, badacze stanęli przed wyjątkowym wyzwaniem. „W czasie całego okresu trwania projektu nie wystąpiły żadne awarie ani przestoje, co oznaczało, że nie mieliśmy żadnych danych, na podstawie których mogliśmy trenować nasze algorytmy oparte na SI”, wyjaśnia Makris. Aby rozwiązać ten niespodziewany problem, zespół wykorzystał modele oparte na sztucznej inteligencji do symulowania niedomagań i problemów ze sprzętem. „Awarie maszyn zwykle poprzedza spadek wydajności i osiągów, a także wynikające z nich pogorszenie jakości produktów”, dodaje Makris. „Użycie tych modeli spotkało się z bardzo dobrym przyjęciem przez naszych partnerów przemysłowych, którzy dzięki temu mogą uniknąć zarówno awarii, jak i poprzedzających je spadków wydajności”.
Ważny kamień milowy
Na obecnym etapie zespół projektu koncentruje się na rozwoju swojego narzędzia oraz dąży do jego komercjalizacji. „Naszym najważniejszym celem jest opracowanie niezawodnych i opartych na sztucznej inteligencji rozwiązań w zakresie konserwacji predykcyjnej, które będą mogły zostać zintegrowane z urządzeniami stosowanymi w przemyśle”, zauważa Makris. Realizacja tego celu stała się możliwa między innymi ze względu na to, że projekt należy do sieci ForeSee Cluster, skupiającej sześć finansowanych ze środków Unii Europejskiej projektów pracujących nad technologiami konserwacji predykcyjnej. „Nasze uczestnictwo w pracach sieci stanowiło ważny kamień milowy dla całego projektu”, podsumowuje Makris. „Pozwoliło nam to nie tylko na zapewnienie, że wyniki przeprowadzonych przez nasz zespół badań i prac zostaną uwzględnione w działaniach na rzecz standaryzacji, ale także otworzyło nam dostęp do wielu interesariuszy, którzy mogą wykorzystać naszą pracę jako podstawę swoich własnych badań”.
Słowa kluczowe
PROGRAMS, konserwacja predykcyjna, utrzymanie, fabryka, inteligentne algorytmy, sztuczna inteligencja, SI, analiza danych, pozostały okres eksploatacji, linie montażowe, produkcja, zastosowania przemysłowe
