Älykäs ennakoiva kunnossapito turvaa toimintavarmuuden

Mittaukseen ja tiedon analysointiin perustuva älykäs kunnossapito on kestävän kehityksen edistäjä, kilpailukyvyn parantaja ja strateginen apuväline. Älykäs kunnossapito pienentää tuotannon epäonnistumisen riskiä, sillä sitä ohjaavat käyttötuntien tai tuotantomäärien sijaan säännöllisten mittausten pohjalta ennustetut kunnossa tapahtuvat muutokset. Ennakoivalla kunnossapidolla taas tarkoitetaan tarpeeseen perustuvia, etukäteen suoritettavia suunniteltuja huoltotoimenpiteitä, joilla optimoidaan tuotantokyky ja tuotantolaitteiston elinkaari. Tämä turvaa tuotannon toimintavarmuuden ja pidentää käyttöikää.

Älykäs kunnossapitojärjestelmä muun muassa tukee suunniteltujen huoltoseisokkien sisällön laatimista ja varmistaa kriittisten varaosien saatavuuteen tilaamalla niitä etukäteen.

Kunnossapidon laskentamallit muodostavat älyn

Dataan perustuvassa älykkäässä kunnossapidossa älyn muodostavat erilaiset laskentamallit, jotka voidaan suorittaa pilviympäristössä tai reunalaskentana (Edge computing) lähempänä tuotantolaitteistoa. Valintaan näiden kahden välillä vaikuttavat reaaliaikaisuuteen, tarvittavaan datamäärään sekä laskentatehoon kohdistuvat vaatimukset.

Kunnossapidon laskentamalleja on eri kokoisia. Pienimmillään malli voi kattaa yksittäisen laitteen osan kuntotiedon kuten akselin laakerin, tai jopa laakerin komponentin kuten sisäkehän tai pidikkeen. Suurimmillaan malli voi käsittää koko tuotantolaitoksen hierarkkisine malleineen sekä arviot eri osien vaihtotarpeista seuraavan suunnitellun huoltoseisakin aikana.

Toimivien kunnossapitomallien perusteella suoritettu optimoitu ennakoiva huolto näkyy taloudellisten mittareiden lisäksi myös jokaisella tuotannon tehokkuutta mittaavan OEE-laskennan tasolla (Overall Equipment Effectiveness, suomeksi käytettävyys, nopeus ja laatu).

Data paljastaa kunnossapidon tarpeet

Kunnossapitolaskennassa hyödynnettävä, jatkuvasta tuotantoprosessista tai kappaletavaratuotannosta saatava data voi kertoa kunnossapitotarpeista epäsuorasti tai suoraan.

• Tuotantotehokkuuden heikkeneminen voi vihjata laitteiston kulumisesta ja huoltotarpeesta.

• Laitteen kylkeen liitetystä kiihtyvyysanturista saatava tärinä- tai värinädata ja siinä tietyillä kierrosnopeuteen ja laakerin mittoihin liittyvillä taajuuksilla ilmenevät uudet taajuuspiikit kertovat lähes suoraan halkeamasta laakerin sisäkehällä.

Hankalammin havaittavia ilmiöitä ovat materiaalien väsymiset ja vaikeammin ennustettavissa totutusta poikkeavat tuotantotavat tai rikkoontumiset, joista datassa ei vielä ole yhtään esimerkkiä.

Valmiit laskentamallit kunnossapidon tukena

Laitteiden tai komponenttien valmistajat toimittavat kunnossapidon henkilöstön hyödynnettäväksi myös erilaisia valmiita laskentamalleja ja -kaavoja. Yksinkertaisimmissa malleissa on vain yksi parametri. Esimerkki tällaisesta on laitteen jäljellä oleva käyttöaika RUL (Remaining Useful Life), joka saattaa perustua pelkkiin käyttötunteihin. Liian yksinkertainen malli on kuitenkin vain suuntaa-antava, eikä huomioi ympäristön vaikutusta millään tavalla.

Monimutkaisimmissa malleissa taas on enemmän muuttujia, joilla pyritään parempaan tarkkuuteen. Näissä ei kuitenkaan ole ajallista takaisinkytkentää, eikä niille voi syöttää aikasarjadataa, joka edustaisi paremmin vaihtelevaa käyttöä ja olosuhteita.

Jos laitteen tai komponentin käyttöympäristö ja käyttötapa eroaa standardista, valmistajan on haastavaa tai mahdotonta toimittaa luotettavaa mallia kunnossapidon käyttöön. Jos mitkään tarjolla olevat mallit eivät ole luotettavia, käyttäjän täytyy rakentaa oma älykkään kunnossapidon mallinsa saatavilla olevan datan perusteella.

Kaiken pohjana ovat relevantti data sekä tuotannon ja laitteiston ymmärtäminen

Datan keräämistä hyödyttää suuresti, jos käytössä oleva data-alusta tukee dataintegraatioiden hyödyntämistä ja uusien kerättävien datojen määrittelyä sekä historiatiedon hakemista. Vaikka nykyinen Big Data -aikakausi mahdollistaa valtavien datamäärien keräämisen, olennaisinta on kiinnittää huomiota oikean, tarvittavan datan keräämiseen.

Yleensä kunnossapidon kannalta mielenkiintoiset ilmiöt kehittyvät hitaasti ja älykkään kunnossapidon laskentamallit keräävät dataa pitkiltä aikaväleiltä. Jos kunnossapidon tarpeen osoittava ilmiö on luonteeltaan nopea, se yleensä tarkoittaa sitä, että tarvitaan uusi mitta-anturi tuottamaan parempaa dataa, jotta kunnossapidon toimille jää aikaa ennen laitteen tai sen osan rikkoutumista.

Kun tarvittava data on saatavilla, seuraava haaste on kerätyn datan analyysi ja kunnossapitoa tukevan mallin rakentaminen. Malli voi olla yksinkertainen lineaarinen malli, tilastollinen malli tai monimutkaisimmillaan monikerroksinen neuroverkko, joka kykenee käsittelemään aikasarjadataa.

Pelkkä korrelaatio kerätyn datan ja tarvittujen kunnossapitotapahtumien välillä ei kuitenkaan riitä tehokkaan kunnossapidon mallin rakentamiseksi, vaan data-analyysi tulee yhdistää tuotannon ja laitteiston ymmärtämiseen. Esimerkiksi automaatiojärjestelmästä kerätty moottorin kuormitustieto menettää merkityksensä, jos ei tiedetä, mikä moottoriyksilö on ollut ajossa ja mikä vuorostaan huollossa. Käsin syötettyihin tietoihin tulee suhtautua erittäin kriittisesti ja etsiä niille vahvistusta esimerkiksi toiminnanohjausjärjestelmästä. Järjestelmän pitää nostaa suuresta analysoidusta laitejoukosta kunnossapitovastaavan tutkittavaksi vain mielenkiintoisimmat löydökset. Jos löydös on akuutti, pitää se heti nostaa myös tuotannon tietoon.

Instan älykäs pilvipohjainen data-alusta teollisuuteen

Energian ja muiden hyödykkeiden kustannukset ovat nousseet, minkä seurauksena yritykset etsivät keinoja tuottavuuden parantamiseen. Teknologian kehittyessä myös mahdollisuudet älykkääseen kunnossapitoon kehittyvät jatkuvasti.

Dataan perustuvien ratkaisuiden avulla saadaan enemmän irti olemassa olevasta laitekannasta sekä parannetaan kunnossapidon ennakoitavuutta. Instan kehittämässä Industrial Data Platform -data-alustaratkaisussa asiakas saa kaiken datan keruusta valmiiseen, toimintaa ohjaavaan ratkaisuun asti. Alkuun pääseminen on edullista, riskitöntä ja nopeaa. Uuden tuotantolinjaston kaltaista isoa investointia ei tarvita, vaan datan avulla saadaan kaikki irti niistä työvälineistä, joita yrityksellä jo on.

Suuryritykset ovat jo rakentaneet omat pilvialustat itselleen, sillä ne ovat pystyneet investoimaan datan hyödyntämiseen. Nyt on pienempien vuoro.

Oletko kiinnostunut teollisuuden datakeskeisistä ratkaisuista ja arvon luomisesta datan avulla? Lue lisää:

Haluatko tietää, kuinka saat Instan Industrial Data Platformin avulla kattavan tilannekuvan eri tietolähteistä, optimoit ja automatisoit prosesseja sekä teet parempia dataan perustuvia päätöksiä?

Oletko jo kuullut OCE-menetelmästä prosessin suorituskyvyn mittaamisessa?