Efektivní údržba strojů pomocí umělé inteligence ve firmě Beneš a Lát, s.r.o.

Výchozí situace: firma potřebuje, z důvodu maximálního využití technologií, minimalizovat prostoje strojů z důvodu servisu a výskyt nečekaných poruch z důvodu selhání některé z komponent stroje.

Standardním přístupem je dnes ve většině firem řešit údržbu preventivní nebo reaktivní: oprava nastane v momentě, kdy výrobce předepisuje, hůře až ve chvíli, kdy se zařízení porouchá. Lepší řešení v této situaci je údržbu provádět preventivně. Minimalizuje se tím prostoj stroje proti údržbě reaktivní, a to pouze na dobu opravy. Nevýhodou je, že při chybném (krátkém) nastavení servisních intervalů se díly mění s vysokou zbytkovou životností, což prodražuje servisní náklady a vyvolává častější odstávku stroje.

JAK SPOLUPRÁCE PROBÍHALA

Řešením je osadit sledovaná zařízení senzorickými systémy (jedním či více čidly – teploty, tlaku, vibrací, odběru EE, rychlosti, průtoku atd. dle konkrétního zařízení a složitosti systému), které umožní sběr dat a komunikaci o stavu zařízení a aktuální produkci s vazbou na ERP a MES systémy, pokud je jimi firma vybavena, nebo minimálně na technologické parametry a nastavení parametrů systému s tolerancí „OK“ stavu.

Sledujeme pak stav stroje (jeho parametrů a produkce) v čase a sbíraná data porovnáváme s kalibračními křivkami jednotlivých parametrů – křivka je sejmuta v okamžiku, kdy je stroj v bezvadné kondici (ideálně tedy po kontrole, repasi, střední nebo generální opravě) a ve chvíli, kdy je výrobek na něm vyráběný v bezvadném stavu – tedy odpovídá požadavkům zákazníka či výkresové dokumentace. Při využívání AI řešení lze využít i referenční metodu porovnání.

Současně s parametry sledujeme chyby, které se při provozu stroje vyskytují – poruchy, potřebu přeseřízení atd. Následně sledujeme korelace jednotlivých parametrů v období před touto poruchou a nacházíme závislost, která nám příště pomůže predikovat zhoršování stavu systému, ještě než dojde k selhání. Tím pádem bývá náprava rychlejší, levnější a dá se včas naplánovat na dobu odstávky stroje nebo třeba čas, kdy se seřizuje na jinou výrobu.

Pokud používá firma APS, lze informace využít pro optimalizaci plánu výroby s vazbou na předcházející a návazné stroje. Pokud už informaci o potřebě opravy máme, lze s ní pracovat pro zadání práce konkrétní složce údržby, pro eskalace pomocí mobilních klientů a mnoho dalších možností.

Podívejte se na video k případové studii: ODKAZ

Co společnost Beneš a Lát spoluprací s konsorciem Brain4Industry získala?

Výstupem je pro firmu funkční model s využitím AI řešení, který umožňuje zpracovat obrovské množství dat, vyhledat korelační vztahy a přejít z formátu reaktivní a preventivní údržby na prediktivní. Pokud firma již model jednou má, je velmi snadné typově podobná zařízení postupně doplňovat. V případě zahájení sledování jiných parametrických sad se využívají již existující části a logické celky a již existuje metodika zpracování a využití dat. Tedy každý další stroj je již mnohem jednodušší a časově kratší implementovat.

Pokud firma plánuje využít ve své praxi Digitální dvojčata, jsou tato data základní vstupní podmínkou pro sledování chování systémů a řešení zpětných vazeb.

• Měřitelnými výstupy jsou prodloužení životnosti měněných dílů o 5 %.
• Minimalizace výskytu neplánovaných odstávek s úsporou 15% odstávek.
• Při detekci anomálií stroje předpokládáme i zvýšení kvality výrobků, tedy snížení nákladů na zmetkovitost a opakovanou výrobu – zde aktuálně sbíráme data pro potvrzení.
• V BaL je dopad i na kvalitu celé distribuce hydrauliky a stavu systému, který ovlivňuje 30 připojených strojů, úspora je tedy násobná.

Předpokládaná návratnost investice v celkové hodnotě 1,2 mil. CZK je 3 roky.

AI umožňuje nalezení vztahů/korelací mezi komplexními daty, které není v silách člověka nalézt. Při osedlání AI řešení a pokročilé senzoriky lze automatizovat operace, které dříve byly výsadou pouze člověka, např. vizuální kontrolní operace, a to s konzistentním výsledkem, kdy se s úspěšností kontroly posouváme ze standardních 95 % na více než 99 %.

Co mohou společnosti z podobné spolupráce získat:

• Sledování strojů a zařízení pomocí měřitelných veličin umožní jednoznačné sledování výkonosti jednotlivých strojů i celých systémů, tedy hodnocení OEE.
• Zavedení prediktivní údržby pro úsporu nákladů v náhradních dílech, prostojích při poruše i „předčasném“ servisu.
• Informace pro řešení energetické optimalizace, tedy které stroje mohu řízeně odpínat či zapínat dle jejich výkonnosti.
• MES systémy a doplnění plánu práce a prioritizace údržby.
• Tvorba digitálního dvojčete provozu se zpětnovazebním řízením.