Prediktivní údržba strojů pomocí umělé inteligence ve slévárně Beneš a Lát, a.s.

ÚVOD

Firma Beneš a Lát, a.s. se věnuje výrobě odlitků ze slitin hliníku a zinku a výrobě výlisků z plastu. Ročně vyrobí přes 3 800 tun výrobků pro více než 1 000 zákazníků. Ve svých výrobních závodech má přes 90 strojů. Je pro ni proto klíčové se efektivní údržbou strojů a předcházení nenadálým výpadkům věnovat.

Z důvodu maximálního využití technologií, eliminace prostojů z důvodu servisu strojů a výskyt nečekaných poruch se firma rozhodla pro zavedení tzv. prediktivní údržby pomocí umělé inteligence.

VÝCHOZÍ SITUACE

Ve většině firem se provádí údržba

• preventivně, tedy v pravidelných intervalech předepsaných výrobcem,
• nebo reaktivně, tedy poté, co nastane závada.

Při preventivní údržbě se sice minimalizují prostoje oproti údržbě reaktivní, a to pouze na dobu opravy. Nevýhodou však je, že při chybném (krátkém) nastavení servisních intervalů, se díly mění s vysokou zbytkovou životností, což prodražuje servisní náklady a vyvolává častější odstávku stroje.

Pokud se však zařízení osadí čidly s umělou inteligencí, je možné sledovat stav zařízení pole zadaných parametrů. V porovnání vůči běžným hodnotám lze plánovat seřízení či výměnu dílů.

V důsledku se zkracuje doba odstávky a lépe se využívá životnost součástek.

ŘEŠENÍ: JAK PROBÍHALA SPOLUPRÁCE

Sledovaná zařízení byla osázena senzorickými systémy (jedním či více čidly, sledujícími teplotu, tlak, vibrace, odběr EE, rychlost, průtok atd., dle konkrétního zařízení a složitosti systému), které umožní sběr dat a komunikaci o stavu zařízení a aktuální produkci v čase. Tyto hodnoty se porovnávají s kalibrač-ními hodnotami (křivkami), které se podařilo získat v čase, kdy byl stroj v bezvadném stavu (ideálně tedy po kontrole, repasi, střední nebo generální opravě) a vyrobil bezvadný výrobek (takový odpovídá požadavkům zákazníka či výkresové dokumentace).

Při posuzování kvality stroje se berou v potaz data z ERP a MES systému. Při využívání AI řešení lze využít i referenční metodu porovnání. Takto se sledují chyby stroje, které se řeší jeho servisem nebo seřízením.

Jan ŽALSKÝ, odborný pracovník NCK MATCA:

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:

Stáhněte si ebook, ve kterém celou případovou studii najdete.

VÝSLEDEK: CO BENEŠ A LÁT SPOLUPRACÍ ZÍSKAL

Výstupem pro firmu je 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 pak snadné do existujícího systému přidávat typově podobná zařízení a stejně tak v případě pořízení nových strojů je snadné doplnění procesních a paramet-rických map.

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 implemen-tovat.

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 Beneš a Lát je dopad i na kvalitu celé distribuce hydrauliky a stav 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.