Як скоротити витрати на обслуговування обладнання на 40%. Блог Кирила Костанецького
Що таке предиктивное обслуговування промислового обладнання і як ця методологія допомагає економити.
Industry 4.0, або четверта індустріальна революція в корені змінила підходи в роботі промислового бізнесу.
Один з ключових KPI – зниження витрат на обслуговування обладнання до 40% за рахунок збільшення його ефективності, зниження простоїв і збільшення продуктивності технічних фахівців.
Але якщо для найбільших світових підприємств управління обладнанням і його показниками є вкрай важливими, у нас ці процеси традиційно недооцінюють.
Предиктивное обслуговування і методологія RCM
Несвоєчасне обслуговування промислового обладнання – це не тільки прямі втрати від поломки у вигляді витрат на нові запчастини. Це ще і скорочення обсягів виробництва, витрати на реорганізацію і перепланування процесів. Крім того, зриви планів поставок, репутаційні втрати серед клієнтів і партнерів, що веде до ще більших витрат у майбутньому.
Для забезпечення максимального рівня надійності недостатньо застосовувати традиційний підхід до обслуговування – вести графік робіт, контролювати закупівлі запчастин, утримувати досвідчених фахівців. Методологія Industry 4.0 передбачає абсолютно новий підхід – віддалений контроль (remote monitoring and control) і предиктивне – прогнозне – обслуговування обладнання (predictive maintenance).
До 2022 року ринок і запит на рішення для інтелектуального обслуговування збільшаться в сім разів, або ж до $10 млрд в грошовому вираженні, це стане одним з головних трендів технологічної модернізації.
Сама технологія інтелектуального обслуговування грунтується на методології обслуговування на підставі надійності (RCM).
Припустимо, у нас на підприємстві є насос, що закачує рідину. На початку експлуатації він виконує роботу ідеально, але з часом у нього забивається фільтр, показники падають. В один прекрасний момент показники падають до критичної точки, коли насос вже не закачує достатню кількість води. В такому випадку ми говоримо про вихід обладнання з ладу. Щоб запобігти такому сценарію, класична методологія обслуговування передбачає заміну цього насоса через певний час – зазвичай середній показник роботи вузла.
Але поломки не завжди відбуваються через однаковий час. Іноді вузол може продовжувати роботу в штатному режимі набагато довше, а іноді виходить з ладу раніше терміну. Методологія RCM полягає не в розрахунку середнього терміну служби, а в пошуку тієї точки часу, в якій показники роботи починають падати. Коли ми бачимо погіршення показників роботи, то розуміємо, що потрібно готуватися до відмови обладнання, і можна проводити ремонт.
RCM лежить в основі інтелектуального обслуговування, суть якого – у періодичній або безперервній оцінці стану обладнання. За такого підходу кінцева мета – це технічне обслуговування в той момент, коли це найбільш рентабельно. Виконуючи ремонти за календарем, промислові підприємства витрачають мільйони на закупівлю запчастин і проведення робіт там, де їх можна було б уникнути. Сьогодні всі компанії і підприємства йдуть до того, щоб удосконалювати спосіб обслуговування обладнання на підставі прогнозу.
Від RCM – до Smart Predictive Maintenance
Розвиток цієї методології та її втілення на підприємстві йде послідовно.
Перший крок – це відображення даних, моніторинг стану обладнання, ручний контроль параметрів.
Другий крок – чітке розуміння того, як зміна параметрів впливає на роботу обладнання, і вироблення граничних значень, за досягнення яких необхідно лагодити обладнання. Крім користі у вигляді запобігання поломок, моніторинг і установка показників допомагають визначити такі умови, за яких обладнання виконує роботу найбільш ефективно. Як тільки ці кордони будуть порушені, можна взаємодіяти з обладнанням для відновлення максимально ефективного режиму.
Наступний крок – створення автоматичної системи оповіщення. На попередніх етапах моніторинг показників міг здійснюватися вручну або ж за допомогою штрих-кодів, які зчитуються мобільними пристроями і показують стан устаткування в реальному часі. Цей крок передбачає об'єднання всіх даних в єдину мережу і установку програми, яка б автоматично генерувала попередження керуючому персоналу.
Останній крок – це повністю автоматизований контроль обладнання: система сама веде весь процес від моніторингу показників до оформлення заявок на ремонт і замовлення необхідних комплектуючих.
Те, що вибудовується в результаті, називається smart predictive maintenance – розумне, попереджувальне обслуговування обладнання. Постійний моніторинг і автоматизація обслуговування не тільки запобігають відмові мало не зі 100%-вою вірогідністю, але і економлять підприємствам мільйони доларів на рік.
Що ще змінить предиктивное обслуговування?
Крім очевидної переваги в запобіганні поломкам та раціонального використання ресурсів, такий підхід дає ще кілька приємних бонусів.
По-перше, генерація і обробка величезного масиву даних про роботу обладнання дозволяє моделювати реалістичні сценарії його роботи. Ми можемо переглянути показники обладнання за вчора, за минулий тиждень або за цілий рік, і на підставі цих даних краще зрозуміти, які умови покращують загальні показники компанії, а які – шкодять. Предиктивне обслуговування дає можливість будувати справжні прогнози і на підставі чіткого розрахунку управляти всім виробничим процесом.
По-друге, за такої схеми обслуговування з процесу максимально випадає людина. І хоча скорочення робочих місць через роботизацію – не найкращий тренд, користь для виробництва переоцінити важко. Програмне управління дозволяє здійснювати миттєвий обмін даними і затверджувати рішення моментально, що економить час і захищає виробництво від простоїв. Помилки, які могла б допустити людина через неуважність або випадковість, не можуть бути здійснені програмою, яка має чіткі установки. Це робить роботу виробничого підприємства в рази ефективнішою і більш злагодженою.
Системи, що здійснюють таке обслуговування, будуть розвиватися за допомогою технологій штучного інтелекту на основі машинного навчання.
Уявімо, що у нас є складна установка, яка видає сотні показників: температуру, тиск, обороти, струми і так далі. Коли це обладнання виходить з ладу, машинне навчання використовується для прогнозування неочевидних відмов. Ми можемо не знати, які параметри вплинули, що змінилося, людині це складно визначити. Комп'ютер і машина можуть аналізувати величезні потоки даних і навчатися на показниках минулого, щоб в майбутньому запобігти поломці навіть найскладніших систем.
Це лише мала частина того, чим є сучасні системи контролю виробництва. В цілому, вони складаються з каталогів обладнання, архівів документів, обліку руху устаткування і вузлів, карт ремонтів, управління заявками і роботами, нарядів-допусків, розборів інцидентів, обліку та аналізу простоїв, управління складом, закупівлі і списання, управління персоналом і т. д. Всі ці системи існують і застосовуються вже сьогодні, постійно вдосконалюючи не тільки внутрішні системи, а й оболонку. Розробники з року в рік роблять інтерфейс простіше і зрозуміліше для роботи, а платформою для використання таких рішень може бути звичайний смартфон або планшет.
Такий підхід до обслуговування показує значні економічні результати, швидко окупається, демонструє хороші показники зниження витрат на обслуговування обладнання і підвищення технічної готовності. Але найголовніше – щоб використовувати ці методики, не обов'язково мати найсучасніше обладнання і постійно оснащувати його датчиками. Методологічні підходи працюють на будь-якому обладнанні, що особливо важливо для виробничих підприємств України.
Автор: Кирило Костанецкій, керівник проекту SmartEAM