Lesson Learned Explained: Jak właściwe zbieranie i przechowanie danych okazało się kluczowe w predyktywnym utrzymaniu ruchu
Lekcja 1: stawiaj małe, uważne kroki i pamiętaj o kontekście.
Potrzeba: strategia utrzymania predykcyjnego w przemyśle lotniczym
W przemyśle lotniczym i obronnym, który charakteryzuje się szczególnie wysokimi wymaganiami w zakresie precyzji i niezawodności, kluczowe wskaźniki efektywności w utrzymaniu ruchu, przewidywania awarii czy monitorowanie stanu maszyn, mają kluczowe znaczenie. Firma dysponująca ponad 70 centrami obróbczymi CNC poszukiwała sposobów na monitorowanie procesu produkcji oraz optymalizację wskaźników poprzez wdrożenie Predictive Maintenance (Utrzymanie predykcyjne).
Rozwiązanie: technologie predykcyjnego utrzymania ruchu
Aby osiągnąć zamierzony cel, podjęto następujące kroki:
- Historyzacja analizy danych: gromadzenie i przechowywanie odczytów i obliczeń umożliwiło analizę trendów, monitorowanie stanu urządzeń i wyciąganie wniosków na przyszłość.
- Łączność z maszynami i integracja z systemami produkcyjnymi: dzięki wykorzystaniu technologii IIoT (Przemysłowy Internet Rzeczy) analiza pracy maszyn umożliwiła ciągłe monitorowanie ich stanu oraz procesów produkcyjnych w czasie rzeczywistym.
- Monitorowanie wydajności maszyn dzięki instalacji czujników: czujniki monitorowały dodatkowe parametry pracy urządzen, dostarczając niezbędnych, a wcześniej zupełnie niedostępnych, danych do analizy, pozwalających na chociażby lepsze monitorowanie procesu produkcji.
- Wizualizacja pomiarów: wizualizacja statusów i KPI umożliwiła bieżący monitoring i szybkie reagowanie na nieprawidłowości i stany alarmowe, minimalizując wystąpienia awarii.
Efekt
Początkowe wyniki oparte na sztucznej inteligencji oraz Machine Learning (uczenie maszynowe) nie przyniosły oczekiwanych rezultatów. Silnik AI/ML nie był w stanie zbudować odpowiednich modeli predykcyjnych, ponieważ okazało się, iż 99% przestojów miało miejsce, gdy maszyny były w trybie ręcznym – sytuacje te więc nie mogły być przewidziane przez algorytmy AI/ML.
Główne wyzwanie
Zidentyfikowano główny problem: przestoje spowodowane błędami ludzkimi, które silniki AI/ML miały problem przewidzieć. W odpowiedzi przeprowadzono dodatkowe szkolenia personelu, co znacząco zmniejszyło liczbę przestojów i poprawiło wskaźniki KPI.
Podsumowanie
Klient, zainteresowany możliwościami Predictive Maintenance (utrzymanie predykcyjne), chciał przede wszystkim przewidywać przestoje maszyn, które do tej pory znacząco wpływały na płynność ruchu produkcji. Wyzwaniem okazał się jednak brak wcześniejszej pracy nad danymi, ich weryfikacji i archiwizowania, przez co nie można było stwierdzić, czy rozwiązanie PdM zadziała. Opracowano system, który nie tylko monitorował dane produkcyjne, ale także dostarczał analitykę, pomagając zidentyfikować główny problem – błędy ludzkie, których AI/ML nie mogło przewidzieć. Rozwiązanie problemu poprzez szkolenia personelu okazało się kluczowe. Umiejętne zbieranie i przechowywanie danych jest fundamentem efektywnego zarządzania produkcją oraz kluczowym elementem w implementacji zaawansowanych systemów, takich jak Predictive Maintenance. Bez solidnych danych, jakiekolwiek analizy i modele predykcyjne stają się bezwartościowe.
Wnioski
- Nie można osiągnąć wszystkich ambitnych celów jednocześnie: realistyczne podejście i etapowe wdrażanie nowych technologii są kluczowe.
- Gromadzenie danych i świadomość stanu produkcji: ważne jest rozpoczęcie od zbierania danych, aby uzyskać pełny obraz rzeczywistego stanu produkcji.
- Dane przekształcone w informacje: kontekst i analiza historyczna danych przekształcają surowe dane w wartościowe informacje.
- Rola ludzi i algorytmów: ludzie powinni wykonywać kreatywne zadania, podczas gdy algorytmy mogą zajmować się precyzyjnymi i powtarzalnymi operacjami, unikając tym samym „ludzkich” błędów.
Wdrożenie Predictive Maintenance w firmie z branży lotniczej i obronnej pokazało, że technologia, choć potężna, wymaga odpowiedniego kontekstu i współpracy z ludźmi, aby przynieść zamierzone efekty.