Od kontroli mechanika do AI. Historia Predictive Maintenance

Predictive Maintenance nie od razu było zaawansowaną technologią z innowacyjną nazwą. Przez większą część historii przemysłu stan maszyny oceniano za pomocą zmysłów. Doświadczony mechanik potrafił rozpoznać zużyte łożysko po zmianie dźwięku, wyczuć dłonią nadmierne drgania silnika albo dostrzec niepokojący kolor spalin. Wiedza o urządzeniu była “zapisana” w pamięci ludzi, którzy obsługiwali je przez wiele lat.

Dzisiejsze systemy Predictive Maintenance korzystają z czujników, danych historycznych, modeli matematycznych oraz sztucznej inteligencji. Cel pozostał jednak podobny: jak najwcześniej rozpoznać sygnały świadczące o pogarszającym się stanie urządzenia i zaplanować działanie, zanim pojawi się awaria.

Historia predykcyjnego utrzymania ruchu jest więc opowieścią o stopniowym przechodzeniu od wykorzystania empirycznego doświadczenia człowieka do wiedzy, którą można zapisać, analizować i wykorzystywać w całej organizacji.

Najpierw naprawiano to, co już się zepsuło

Pierwsze fabryki działały według zasady, którą obecnie określa się jako tzw. reakcyjne utrzymanie ruchu. Maszyna pracowała aż do chwili, gdy przestawała wykonywać swoje zadanie. Wtedy zatrzymywano produkcję, sprawdzano, gdzie znajduję się uszkodzona część i rozpoczynano naprawę.

W warunkach XIX-wiecznej industrializacji takie podejście wydawało się naturalne. Konstrukcja wielu urządzeń była stosunkowo prosta, produkcja opierała się na dużym udziale pracy ręcznej oraz ludzi, a dostępność maszyn nie była jeszcze mierzona przy użyciu wielu wskaźników. Jeżeli pas transmisyjny pękał, należało go wymienić. Jeżeli wał się zacierał, naprawiano go albo zastępowano nowym.

Rozwój produkcji masowej zmienił znaczenie awarii. Coraz dłuższe linie technologiczne sprawiały, że zatrzymanie jednego urządzenia mogło zakłócić pracę całego zakładu. Przestój zaczął generować koszty znacznie większe niż sama naprawa. Obejmowały one tzw. utraconą produkcję, opóźnienia w dostawach do klientów, niewykorzystany czas pracowników oraz ryzyko uszkodzenia kolejnych elementów instalacji.

W tej sytuacji przemysł zaczął szukać sposobu na ograniczenie liczby niespodziewanych awarii.

Kalendarz zamiast przypadku

Odpowiedzią stało się prewencyjne utrzymanie ruchu. Przeglądy, wymiany części i remonty zaczęto wykonywać zgodnie z ustalonym harmonogramem: po określonej liczbie godzin pracy, cykli produkcyjnych albo przejechanych kilometrów.

Podejście to rozpowszechniło się szczególnie w pierwszej połowie XX wieku wraz z rozwojem kolei, przemysłu ciężkiego, energetyki i lotnictwa. Pozwalało przygotować ludzi, odpowiednio wcześnie zaopatrzyć się w części zamienne oraz odpowiednie narzędzia. Ułatwiało także planowanie postojów remontowych.

Harmonogram miał jednak poważne ograniczenie. Dwa takie same urządzenia mogą zużywać się w różnym tempie. Wpływają na to warunki otoczenia, jakość surowców, sposób obsługi, obciążenie, błędy montażowe, czas pracy i wiele innych czynników. Część podzespołów wymieniano więc zbyt wcześnie, choć nadal mogły bezpiecznie pracować. Inne ulegały awarii przed terminem zaplanowanego przeglądu. Takie podejście okazało się dość kosztowne.

Stopniowo stawało się jasne, że sam upływ czasu nie mówi wystarczająco dużo o rzeczywistym stanie maszyny.

Lotnictwo zmienia sposób myślenia o awariach

Duży wpływ na rozwój nowoczesnego utrzymania ruchu miało lotnictwo cywilne. W latach 50. i 60. XX wieku budowano coraz bardziej zaawansowane technologicznie samoloty, a liczba eksploatowanych maszyn szybko rosła. Wcześniej wymyślone programy obsługi technicznej wymagały wykonywania ogromnej liczby czynności w ustalonych odstępach czasu.

Analizy prowadzone w branży lotniczej pokazały, że wiele awarii nie pojawiało się według prostego schematu związanego z czasem eksploatacji częsci. Niektóre komponenty wykazywały oznaki zużycia szybciej, inne mogły ulec uszkodzeniu niezależnie od długości eksploatacji. Coraz większą uwagę zaczęto więc poświęcać funkcji urządzenia, skutkom możliwej awarii oraz rzeczywistym mechanizmom degradacji.

Z tych doświadczeń wyrosło tzw. Reliability-Centered Maintenance, czyli utrzymanie ruchu ukierunkowane na niezawodność. Podejście to zakłada dobór właściwej strategii do znaczenia danego urządzenia, sposobu jego eksploatacji i konsekwencji awarii. NASA opisuje RCM jako ciągły proces wykorzystujący dane z pracy systemów do doskonalenia zarówno utrzymania ruchu, jak i konstrukcji urządzeń.

Istotnym elementem tej filozofii stało się utrzymanie zależne od stanu technicznego, nazywane Condition-Based Maintenance. Decyzję o inspekcji lub naprawie podejmowano na podstawie informacji o kondycji urządzenia, a nie wyłącznie daty zapisanej w kalendarzu przeglądów.

Analiza zmian w pracy urządzeń

Każda zbliżająca się usterka wywołuje pewne zmiany w urządzeniu. Łożysko może zacząć drgać w charakterystyczny sposób. Tarcie powoduje wzrost temperatury. Zużycie elementów zmienia skład oleju. Nieszczelność wpływa na ciśnienie, przepływ albo zużycie energii.

W drugiej połowie XX wieku przemysł zaczął coraz szerzej wykorzystywać sposoby umożliwiające obserwowanie tych zjawisk. Rozwijały się między innymi:

• analiza drgań maszyn wirujących,
• termografia w podczerwieni,
• analiza oleju i cząstek zużycia,
• pomiary ultradźwiękowe,
• diagnostyka elektryczna silników,
• monitorowanie temperatury, ciśnienia i przepływu.

Początkowo pomiary wykonywano okresowo za pomocą przenośnych urządzeń. Technik przechodził wyznaczoną trasę w fabryce, zbierał dane z kolejnych maszyn, a następnie porównywał wyniki z wcześniejszymi odczytami. Pozwalało to zauważyć trend i zidentyfikować urządzenia wymagające dokładniejszej kontroli.

Programy wdrażane w energetyce i przemyśle ciężkim w latach 80. i 90. coraz częściej łączyły analizę drgań, badania oleju i termowizję. W 1998 roku NASA opisała wdrożenie programu, w którym tradycyjne działania wykonywane według harmonogramu zastąpiono utrzymaniem zależnym od stanu urządzeń, wykorzystującym właśnie analizę drgań, oleju oraz kamery termowizyjne.

To był ważny krok w stronę predykcyjnego utrzymania ruchu. Zakłady potrafiły już wykrywać symptomy uszkodzeń, zanim doszło do zatrzymania maszyny.

Od diagnozy do prognozy

Condition-Based Maintenance odpowiada przede wszystkim na pytanie: „W jakim stanie znajduje się urządzenie?”. Predictive Maintenance idzie dalej i próbuje określić, jak ten stan będzie się zmieniał.

Rozwój komputerów przemysłowych, technologii, systemów automatyki oraz cyfrowych baz danych umożliwił gromadzenie coraz większej liczby pomiarów. Dane procesowe mogły być zapisywane przez wiele miesięcy i zestawiane z historią awarii, remontów oraz wymian podzespołów. Dzięki temu analiza przestała ograniczać się do pojedynczego przekroczenia momentu, w którym pojawiał się alarm maszyny. Można było obserwować tempo zmian, zależności pomiędzy parametrami i powtarzające się sekwencje zdarzeń.

Przykładowo: podwyższona temperatura silnika nie musi sama w sobie oznaczać zbliżającej się awarii. Jeżeli jednak występuje jednocześnie ze wzrostem drgań, zmianą poboru prądu i spadkiem wydajności, zestaw tych sygnałów może wskazywać na konkretny problem techniczny.

W ten sposób narodziło się współczesne rozumienie predykcyjnego utrzymania ruchu Predictive Maintenance: jako strategii wykorzystującej dane do oceny prawdopodobieństwa awarii oraz przewidywania dalszego rozwoju nieprawidłowości.

Internet przemysłowy otwiera nowy rozdział

Na początku XXI wieku nastąpiło szybkie upowszechnienie stosunkowo niedrogich czujników, sieci przemysłowych i systemów zdolnych do przechowywania dużych zbiorów danych. Coraz więcej urządzeń mogło być monitorowanych w sposób ciągły.

Rozwój Industrial Internet of Things (IIoT) oraz koncepcji Przemysłu 4.0 (Industry 4.0) sprawił, że dane o stanie maszyn zaczęły płynąć automatycznie. System nie musiał czekać na okresowy obchód technika – aktualne informacje o temperaturze, ciśnieniu, drganiach czy poborze energii były dostępne niemal na bieżąco.

Wraz ze wzrostem liczby pomiarów pojawiło się jednak kolejne wyzwanie. Człowiek nie był już w stanie samodzielnie analizować tysięcy sygnałów i wychwytywać wszystkich zależności. Potrzebne stały się algorytmy, które potrafiły rozpoznawać wzorce w danych i automatyzacja technologii.

Badania nad współczesnymi systemami Predictive Maintenance wskazują, że ich głównymi celami są ograniczanie kosztów, zwiększanie dostępności urządzeń i poprawa ich niezawodności. Rozwiązania te korzystają z klasycznych modeli statystycznych, uczenia maszynowego (Machine Learning) oraz coraz bardziej zaawansowanych architektur analitycznych.

Sztuczna inteligencja (AI) uczy się zachowania urządzeń

Uczenie maszynowe umożliwiło analizowanie zależności, których nie dało się łatwo opisać za pomocą jednego progu alarmowego czy prostego równania. Algorytm może nauczyć się, jak wygląda poprawna praca urządzenia w różnych warunkach, a następnie wskazywać odchylenia od tego wzorca.

W jednym przypadku system klasyfikuje konkretny rodzaj uszkodzenia. W innym wykrywa anomalię, choć podobna awaria nie wystąpiła wcześniej. Bardziej rozwinięte modele szacują pozostały czas bezpiecznej pracy komponentu, określany jako Remaining Useful Life (RUL).

Predykcyjne utrzymanie ruchu zaczęło obejmować cały proces: od pozyskania i uporządkowania danych, przez ich analizę, po przekazanie informacji osobom odpowiedzialnym za eksploatację.

Takie podejście wspiera m.in. technologia dostępna w Smart RDM. Platforma integruje dane pochodzące z maszyn, czujników oraz systemów przemysłowych, a następnie umożliwia ich analizowanie z wykorzystaniem modeli matematycznych i sztucznej inteligencji. Algorytmy AI uczą się prawidłowych wzorców pracy urządzeń, wykrywają nietypowe zmiany parametrów i pomagają rozpoznawać symptomy rozwijających się usterek. Mogą również oceniać tempo pogarszania się stanu maszyny oraz wspierać prognozowanie, kiedy konieczna będzie interwencja serwisowa. Wyniki analiz są prezentowane w formie przyjaznej dla osób pracujących w utrzymaniu ruchu, tak aby sygnały techniczne można było przełożyć na konkretne działania: kontrolę urządzenia, przygotowanie części zamiennych, zmianę warunków pracy lub zaplanowanie naprawy.

Cyfrowy bliźniak porządkuje wiedzę o danym zakładzie produkcyjnym

Ważnym etapem rozwoju Predictive Maintenance stało się wykorzystanie cyfrowych bliźniaków (ang digital twin). Cyfrowy bliźniak to dokładna wirtualna kopia fizycznego obiektu, procesu lub systemu, która jest na bieżąco aktualizowana za pomocą danych z czujników. Odwzorowuje on strukturę instalacji, zależności między urządzeniami oraz kontekst zgromadzonych danych.

Sam pomiar temperatury ma ograniczoną wartość, dopóki nie wiadomo, której maszyny dotyczy, gdzie znajduje się czujnik, jaki element jest monitorowany i w jakich warunkach pracuje urządzenie. Kontekst pozwala powiązać sygnały z dokumentacją techniczną, historią remontów, zdarzeniami procesowymi i wiedzą pracowników.

W metodyce Smart RDM budowa takiego uporządkowanego modelu stanowi jeden z elementów przygotowania organizacji do wdrożenia Predictive Maintenance. Pozwala zrozumieć proces, wskazać krytyczne urządzenia i ocenić, jakie dane rzeczywiście są potrzebne do przewidywania ich awarii.

Technologia może analizować ogromną liczbę pomiarów, jednak prawidłowa interpretacja wyników nadal wymaga wiedzy o procesie. Operatorzy i pracownicy utrzymania ruchu często wiedzą, które sygnały są istotne, jakie zachowanie maszyny jest normalne oraz w jakich okolicznościach pojawiały się wcześniejsze problemy.

Predictive Maintenance staje się dziś procesem organizacyjnym

Współczesne predykcyjne utrzymanie ruchu wykracza poza instalację czujników i przygotowanie modelu matematycznego. Obejmuje sposób podejmowania decyzji w całej organizacji. Nawet trafnie wykryta anomalia nie przyniesie oczekiwanego efektu, gdy informacja nie dotrze do właściwej osoby albo zespół nie będzie wiedział, jak na nią zareagować. System powinien więc współpracować z codziennymi procesami utrzymania ruchu, planowaniem produkcji, gospodarką częściami zamiennymi oraz systemami CMMS lub EAM.

Znaczenia nabiera również informacja zwrotna. Po wykonaniu inspekcji pracownik powinien potwierdzić, czy wskazanie modelu było poprawne, jaka usterka wystąpiła i jakie działanie podjęto. Te dane pomagają doskonalić kolejne prognozy i uczyć system Predictive Maintance w danej fabryce.

Wdrożenie Predictive Maintenance jest więc procesem rozwijanym etapami – zwykle rozpoczyna się od wyboru urządzeń (ranking maszyn), których awarie są kosztowne, częste albo istotne dla bezpieczeństwa i ciągłości produkcji. Następnie analizuje się historię zdarzeń, dostępność danych oraz wiedzę osób pracujących przy instalacjach. Dopiero na tej podstawie dobiera się metody pomiarowe i analityczne.

Smart RDM łączy te elementy w jednym środowisku, wspierając zarówno analizę danych procesowych, jak i zarządzanie zdarzeniami, wiedzą techniczną oraz wynikami modeli.

Przyszłość: od przewidywania do rekomendowania działań

Kolejnym etapem rozwoju jest tzw. Prescriptive Maintenance, czyli podejście, w którym system wskazuje także możliwe do podjęcia działania. Po wykryciu rozwijającej się nieprawidłowości może ocenić wpływ usterki na proces, zaproponować dogodny termin naprawy albo zasugerować zmianę parametrów pracy maszyny.

Coraz większą rolę odgrywają również interfejsy wykorzystujące generatywną sztuczną inteligencję (AI). Pracownik może zadać pytanie dotyczące urządzenia i otrzymać odpowiedź przygotowaną na podstawie danych procesowych, instrukcji, raportów serwisowych oraz historii podobnych zdarzeń (w ten sposób działa moduł Smart Chat w Smart RDM, z którym operator może “rozmawiać”).

Zmienia się sposób korzystania z wiedzy technicznej 0 informacje rozproszone wcześniej w arkuszach, dokumentacji, systemach automatyki i pamięci doświadczonych pracowników mogą zostać połączone i udostępnione całej organizacji.

Technologia idzie do przodu, cel zostaje ten sam

Historia Predictive Maintenance rozpoczęła się długo przed pojawieniem się sztucznej inteligencji. Jej początkiem była uważna obserwacja maszyn i doświadczenie ludzi, którzy potrafili rozpoznać pierwsze oznaki problemu. Dziś predykcyjne utrzymanie ruchu wykorzystuje znacznie bardziej zaawansowane algorytmy i narzędzia, ma pomóc przewidywać, zamiast działać reaktywnie, wykorzystuje AI i ML.

Od czego najlepiej zacząć wdrażanie Predictive Maintenance w konkretnym zakładzie? Zespół Smart RDM korzysta ze sprawdzonej metodologii, wypracowanej podczas wdrożeń u swoich klientów, opartej na praktyce, ale i wiedzy naukowej i technologicznej. Łączy ona wiedzę inżynierską, analizę danych i dobór odpowiednich modeli, dzięki czemu cały proces można rozwijać krok po kroku, zgodnie z potrzebami organizacji.