Our website uses cookies to give you the most optimal experience online by: measuring our audience, understanding how our webpages are viewed and improving consequently the way our website works, providing you with relevant and personalized marketing content.
You have full control over what you want to activate. You can accept the cookies by clicking on the „Accept all cookies“ button or customize your choices by selecting the cookies you want to activate. You can also decline all non-necessary cookies by clicking on the „Decline all cookies“ button. Please find more information on our use of cookies and how to withdraw at any time your consent on our privacy policy.

Managing your cookies

Our website uses cookies. You have full control over what you want to activate. You can accept the cookies by clicking on the “Accept all cookies” button or customize your choices by selecting the cookies you want to activate. You can also decline all non-necessary cookies by clicking on the “Decline all cookies” button.

Necessary cookies

These are essential for the user navigation and allow to give access to certain functionalities such as secured zones accesses. Without these cookies, it won’t be possible to provide the service.
Matomo on premise

Marketing cookies

These cookies are used to deliver advertisements more relevant for you, limit the number of times you see an advertisement; help measure the effectiveness of the advertising campaign; and understand people’s behavior after they view an advertisement.
Adobe Privacy policy | Marketo Privacy Policy | MRP Privacy Policy | AccountInsight Privacy Policy | Triblio Privacy Policy

Social media cookies

These cookies are used to measure the effectiveness of social media campaigns.
LinkedIn Policy

Our website uses cookies to give you the most optimal experience online by: measuring our audience, understanding how our webpages are viewed and improving consequently the way our website works, providing you with relevant and personalized marketing content. You can also decline all non-necessary cookies by clicking on the „Decline all cookies“ button. Please find more information on our use of cookies and how to withdraw at any time your consent on our privacy policy.

Skip to main content

Prediktivní údržba – na co všechno myslet před jejím zavedením?

Neočekávaný výpadek strojů může být pro hladký chod výrobního podniku nákladný, ať už se jedná o výrobu automobilových součástek nebo např. zábavní průmysl. Následkem často bývá ušlý zisk, ale i škody na majetku, újmy na zdraví zaměstnanců či zákazníků, a tím i pokles reputace celé firmy.

Eliminaci nečekaných situací může zajistit tzv. preventivní údržba, pravidelné výměny kritických součástek a jejich plánovaná, a poměrně častá, kontrola. Tento přístup však bývá finančně náročný, může narušit plynulý chod výroby podniku a má za následek výměnu komponentů bez ohledu na jejich skutečný stav a skutečnou potřebu patřičného servisu. Nadstavbou tohoto přístupu je tzv. prediktivní údržba, která k potenciálním potížím a souvisejícím opatřením přistupuje flexibilněji. Na základě dat z různých zdrojů (např. sensorů, ale i souvisejících dat provozu), v reálném čase s pomocí umělé inteligence (AI) předvídá provozní stav konkrétních komponent a plánuje jejich údržbu či výměnu. Údržba tak probíhá jen ve chvíli, kdy je to skutečně potřeba, nebo kdy se to jeví jako vhodné a efektivní. V současné době je tento přístup cílem mnohých firem, ne vždy se ale daří jej vhodně aplikovat. Překážkou může být nedostatečné množství relevantních dat, nejasný cíl nebo opomenutí důležitých parametrů.

Před zaváděním prediktivní údržby tak je užitečné si objektivně definovat v jaké fázi údržby se nacházíme nyní a zodpovědět si klíčové otázky.

  1. Jak jsme na tom teď? Čeho chceme dosáhnout zavedením prediktivní údržby?

Po začátek je důležité udělat si inventuru současného stavu. Aplikujeme preventivní údržbu? Daří se nám vyhýbat se výpadkům? Nešlo by to udělat efektivněji? Jak často u nás dochází k výpadkům a kolik nás to stojí peněz? Na tomto místě bychom si také měli říci, jaká je naše aktuální motivace pro provádění údržby, a to co nejkonkrétněji. Zpravidla to bývá snížení poruchovosti či prodloužení životnosti (RUL – remaining useful life).

  1. Jaká data máme k dispozici a jak je sbíráme?

Pro prediktivní údržbu jsou nejdůležitější komoditou data, na kterých se může umělá inteligence naučit různé vzorce a efektivně předvídat budoucí stav stroje a jeho poruchy. Čím více relevantních parametrů měříme a čím častěji měření provádíme, tím lépe a kvalitněji můžeme pro dané zařízení vytvořit model prediktivní údržby. V současné době je již možné využít nejrůznější senzory pro sběr dat o vibracích nebo zvucích v reálném čase. Hodit se nám budou také historická data o zařízení včetně poruch a oprav z minulosti, ideálně v takovém rozsahu, který je úměrný životnosti daného zařízení. Jednotlivá selhání je dobré si kategorizovat a rozlišit jejich typy, aby bylo možné predikovat vhodným modelem.

Jaké parametry zahrnout?

Vyplatí se myslet zkrátka na vše. Například v případě údržby kol vlaku bereme v úvahu nejen najeté kilometry a jejich zátěž, ale zaměřujeme se také na podmínky počasí a podnebí nebo typ terénu. K většímu opotřebení dochází v oblastech s vyšší vlhkostí nebo kopcovitých terénech. S tím vším je potřeba počítat.

  1. Jsme na prediktivní údržbu připraveni?

Prediktivní údržba je dlouhodobým projektem. Data je potřeba mít sesbíraná předtím, než nastane porucha. Pokud taková data nemáme, je potřeba je nějakou dobu shromažďovat. Přitom je nutné zvážit i to, jak moc dopředu musíme selhání predikovat.

Data v reálném čase

Jak již bylo řečeno, plánování a realizace údržby, a zejména využití té prediktivní, vyžaduje velké množství dat. Důležitá jsou zde tzv. real-time data, tedy data v reálném čase, která můžeme sledovat a vyhodnocovat bezprostředně po jejich sběru. Typicky je získáváme z vibračních senzorů z oblastí, kde je provoz zařízení kritický a potřebujeme se vyhnout vyřazení z provozu. Příkladem mohou být vozíky horské dráhy, které jezdí celý den a jejich selhání mohou znamenat i újmu na zdraví.

Nároky na spolupráci

Při zavádění jakékoliv inovace je vždy klíčová spolupráce všech zainteresovaných lidí ve firmě, úspěchu je možné dosáhnout jen v případě, že každý je ztotožněn s cíli a účelem dané změny a přijímá její zavedení. V rámci prediktivní údržby je důležitá úzká kooperace mezi implementátorem a pracovníky výroby. Je potřeba vzájemně stanovit očekávání, definovat účel nasazení a priority, sestavit plán a vhodně si popsat správné a vadné chování daných zařízení. Spolupráce je důležitá i po samotném nasazení, protože prediktivní údržba není jednorázový proces, ale vyžaduje zpětnou vazbu a kontinuální učení.

Nekončící proces

Nasazení prediktivní údržby nekončí samotnou prvotní implementací AI modelu a „spuštění“, nejde o jednorázový projekt. Je potřeba kontinuálně pečovat o srdce predikce – AI model, tedy doplňovat další data pro optimalizace a zpřesňovat jej tak i během provozu.

Žijeme v době, která je přeplněná daty. Podniky shromažďují petabajty dat o svých zákaznících, chodu firmy i z výroby. Často to však končí právě u nestrukturovaného shromažďování. Prediktivní údržba je způsob, jak k datům přistupovat chytře, neplýtvat s nimi, ale využívat je pro vyšší efektivitu, úspory, a tím i úspěch celé firmy. Pokud nevíte jak na to, neváhejte se obrátit na odborníky.

Autoři: Radek Šimek, portfolio manažer řešení pro výrobu, Atos IT Solutions and Services a Václav Maixner, specialista na AI ve výrobě, DataSentics, Atos IT Solutions and Services