Jak wyjaśnia Aleksaner Fafuła, Chief Data Architect w ITMagination, zadaniem systemów rozpoznających awarie jest nie tylko prosta analiza lub wykrycie uszkodzenia, gdy to już nastąpiło. W takich mechanizmach weryfikuje się trudne przypadki, które często nie są możliwe do zidentyfikowania przez człowieka, a następnie ostrzega jeszcze przed wystąpieniem awarii.

Czym różni się utrzymanie predykcyjne od standardowych alertów?

Najważniejsze różnice, przemawiające na korzyść utrzymania predykcyjnego w stosunku do dotychczasowych systemów, są następujące:

1. Czas – systemy utrzymania predykcyjnego informują o awarii zanim ona realnie powstanie. Wcześniejsze rozwiązania nie mają funkcji analitycznej, która przewiduje awarię zanim ona nastąpi.

2. Zakres – tradycyjnie monitoruje się osobno każdy z sensorów. Nowoczesne systemy łączą dane i wnioskują na podstawie kombinacji sygnałów.

3. Samouczenie – systemy utrzymania predykcyjnego same się kalibrują. Na podstawie danych historycznych rozumieją, które sytuacje kończyły się awariami i sugerują bezpieczne ustawienia.

Jak wdrożyć predictive maintenance?

Utrzymanie predykcyjne to m.in. odpowiednie wykorzystanie danych, które należy przeanalizować przy pomocy algorytmów. W praktyce takie projekty zaczynają się od przekazania wyników pomiarów z sensorów do analizy, aby stworzyć wstępne studium wykonalności predykcji. Następnie firmy analityczne konsultują wstępne dane z firmą produkcyjną i jeśli te są akceptowalne, system zostaje wdrożony. Ostatecznie, osoba odpowiedzialna za procesy produkcyjne ma do dyspozycji panel, na którym wyświetlane są informacje o możliwości wystąpienia awarii.

Kto powinien korzystać z tej technologii?

Adresatami rozwiązań predictive maintenance są firmy, w których zachodzi powtarzalny proces produkcji. Im jest on bardziej jednostkowy, wówczas stopień trudności rośnie. Jeśli maszyny są często rekonfigurowane i wykonują czynności, których nie da się porównać, skuteczność predykcji awarii słabnie. Warto, aby urządzenia miały jak najwięcej sensorów i były grupowane. Im większe koszty wynikające z przestojów i defektów, tym większe są przesłanki do wdrożenia systemu przewidującego usterki.

Jeśli park maszynowy nie jest złożony z najnowocześniejszego sprzętu, należy wyposażyć go w odpowiednie czujniki. Urządzenia powinny być podłączone w taki sposób, aby dane spływały do centralnego punktu i były dostępne do dalszych analiz. Rynek sensorów IoT jest bardzo szeroki – od prostych urządzeń pomiarowych (mierzących ciśnienie, temperaturę itp.) do zaawansowanych termokamer, które przekazują obrazy do analizy, aby wykrywać m.in. wycieki.

Predictive maintenance i sposoby programowania

Zaprogramowanie modeli predictive maintenance wymaga specjalistycznej wiedzy z zakresu data science. Podstawowa analiza danych może być oprogramowana w popularnych językach open source, np. R lub Python. Dane z sensorów są tzw. szeregami czasowymi, dlatego wszelkie biblioteki wspomagające przetwarzanie takich szeregów są pomocne. Problem można także sformułować w postaci klasyfikacji lub regresji i wykorzystać jeden z popularnych algorytmów np. xgboost. W praktyce często buduje się wiele modeli z różnorodnymi algorytmami, które przedstawiają problem na kilka sposobów (np. wykrywanie anomalii, klastrowanie, dekompozycja falkowa, RNN, LSTM, Hidden Markov chain, SVM itd.).

Po wstępnej analizie i upewnieniu się, że awarie mogą być przewidywalne, przechodzi się do fazy wdrożeniowej. W przypadku rozwiązania on premises warto rozważyć budowę własnego data lake, który zazwyczaj obsługuje dane w trybie stream, a nie tylko batch. To zaś implikuje wykorzystanie spark streamingu. Najlepsi dostawcy chmur, jak np. AWS czy Azure, posiadają dedykowane architektury, które wykorzystuje się w świecie IoT i Przemysłu 4.0, co pomaga w redukcji kosztów i czasu na wprowadzenia systemu w życie oraz ułatwia jego utrzymanie.

O ile dla osób spoza branży data science nazwy powyższych technologii mogą brzmieć zagadkowo, to projekty tego typu cechują się dużą wdrażalnością. Warto zlecić takie zadanie wyspecjalizowanym firmom.

Czy maszyny muszą się psuć?

Odpowiedź na to pytanie jest następująca – wszystko wskazuje na to, że tak. Jednak dzięki współczesnym technologiom, odpowiedni system jest w stanie ostrzec nas przed większością poważnych awarii. Jeśli wiemy, że niebawem spotka nas większy problem, wówczas jesteśmy w stanie temu przeciwdziałać i relatywnie niskim kosztem serwisować zużytą część. Utrzymanie predykcyjne chroni przed całkowitym zatrzymaniem produkcji i często dość dużymi stratami finansowymi.

Źródło: ITMagination