Údržbu je možné dělat poté, co dojde k poškození zařízení (reaktivní údržba). To je ale nákladné, zejména s ohledem na výpadky výroby. Poškození může být navíc daleko větší, než když se zasáhne včas.

Preventivní údržba zase nezohledňuje to, jestli je zásah opravdu nutný. Pouze se dodržují předepsané úkony a výměny komponent po určité době nebo délce provozu zařízení.

Prediktivní údržba naproti tomu využívá senzory, které posílají data do jednotného úložiště. Tam je algoritmy i na základě strojového učení vyhodnocují a navrhují příslušné servisní úkony, přičemž dokážou poruchu odhalit ještě před tím, než k ní vůbec dojde.

Opravujme, když je to třeba

Veškerá data a informace, které se sbírají, pomáhají umělé inteligenci při hledání závislostí a trendů ve stavu stroje. Nejde přitom jen o data z čidel, hodnotí se také informace a závěry z plánovaných kontrol a výpadků způsobených poruchami v minulosti. Na základě historických dat se provádějí predikce budoucího stavu, nejvíce ohrožená zařízení jsou pak vybrána ke kontrole. Systém zároveň sám objednává náhradní díly, které bude technik na místě potřebovat.

Pokud je nutné během servisu odstavit výrobu, dojde k tomu plánovaně a je možné se na to dopředu připravit. Můžeme se tak předzásobit, vyrobit na sklad, případně také spojit několik servisních úkonů dohromady a odstávku využít i v jiných částech závodu a na dalších zařízeních.

Efektivní údržba by měla eliminovat systémové i nesystémové výpadky výroby a zajistit optimální dostupnost zařízení. Všechno začíná strategickým plánem, který povede ke zvýšení efektivity údržby i účinnosti jednotlivých procesů, a zredukuje tak výrobní náklady. Náklady na údržbu totiž tvoří podstatnou část životního cyklu zařízení. Prediktivní údržba je dokáže podstatně snížit.

V rámci prvotní analýzy je možné přesně určit, na jaká místa se zaměřit, aby se celý proces údržby zefektivnil. Analýza obsahuje komplexní vyhodnocení oblastí, jako jsou strategie a systémy, organizace a proces údržby, nákup a řízení zásob náhradních dílů nebo controlling a měření efektivity údržby. Se snížením nákladů na údržbu zároveň dojde ke zvýšení dostupnosti zařízení, zkrácení doby oprav a zlepšení poměru korektivní, plánované a prediktivní údržby.

Sklad plný, ale náhradí díly nejsou

Velice častým scénářem je to, kdy má výrobce plný sklad náhradních dílů, ovšem při výpadku výroby zrovna ten jeden potřebný chybí. I tady existuje řešení, které využívá moderní systémy a umělou inteligenci. Na základě analýzy kritičnosti systém identifikuje položky, které jsou klíčové a je potřeba je držet skladem. Roli hrají i „náklady ušlé příležitosti“, které jsou pro každý stroj jiné. Některé se zkrátka na chvíli zastavit můžou, některé ne. A proto má smysl některé díly zkrátka skladem nemít. Automatické objednávání se pak zavede pouze tam, kde bude efektivní.

Prediktivní údržbou a optimalizací náhradních dílů dokážete předejít častým poruchám a zároveň nebudete mít v náhradních dílech uložené zbytečné peníze. Například jedna petrochemická firma tímto způsobem snížila vázaný kapitál v náhradních dílech o čtvrtinu, paralelně s tím se snížilo i riziko nedostupnosti dílů.

Simulační dvojčata

Jak jsme popsali výše, aby mohla prediktivní údržba fungovat, je potřeba shromažďovat velké množství dat z čidel a senzorů. Veškeré informace z výroby se scházejí v počítačích, a vzniká tak digitální klon celé výroby, nazývaný digitální dvojče (digital twin).

Obecně lze říct, že cokoliv, co je zpracované do digitálního obrazu a má to svůj protějšek v reálném světě, je digitální dvojče. Zásadní je zde napojení na aktuální, reálná data, aby dvojče vypadalo co nejpodobněji tomu skutečnému. Vzniká tedy věrná, leč digitální kopie. Ta nám dává přehled a kontrolu, a to třeba nad výrobní linkou.

Dvojčata stávajících systémů mají obrovské uplatnění. Ještě v době totality došlo k velké havárii v petrochemické továrně v Záluží, která si vyžádala mnoho životů. Samozřejmě je to dohad, ale systém on-line dohledu nad stavem všech kritických částí systému a včasné varování je to, co mnohdy může těmto katastrofám zabránit. Zvyšuje se nebezpečně tlak v potrubí? Systém vše vyhodnotí, dopočítá důsledky a včas sám zareaguje, nebo alespoň upozorní obsluhu.

Digitální svět

S digitálními dvojčaty je to podobné jako s mnoha dalšími současnými technologiemi v tom ohledu, že potřebují velké množství dat. Abychom mohli věrně zachycovat na monitorech obrazy reálných systémů, musíme toho o nich spoustu vědět. Všechna data, která chceme zobrazit, tak musíme sbírat, měřit a vyhodnocovat. To ještě ke všemu v reálném čase. Zní to jako velké sousto a mnohdy i je. Jedná se ale o rychle se rozvíjející doménu, a tak vzniká spousta chytrých řešení.

Moderní výrobní systémy už mají všechno potřebné v sobě - senzory, čidla nebo třeba teploměry. Data je ale potřeba získat i ze starých strojů, které o sobě sami nic nevědí. A tak musíme poslouchat jejich zvuk, měřit vibrace nebo provozní teploty. Vše se samozřejmě děje automaticky a přenáší do jedniček a nul. Takto vznikající data se spojí ze všech možných koutů celého systému a „nakrmí“ digitální dvojče. To je pak schopné nám na jednom místě přesně říct, co se kde děje a snad i proč.

Simulanti jako věštci

Ve chvíli, kdy se začneme ptát „co kdyby?“, přecházíme do světa dynamické simulace. Ta bere model ať už reálného, nebo fiktivního systému a umožňuje s ním dělat pokusy a experimenty. Není tak už úplně dvojčetem, ale může zodpovědět spoustu otázek včas, např. co se stane, když přestane fungovat část výrobní linky. Umělá inteligence sama dopočítá důsledky, takže nám třeba dává možnost připravit krizové scénáře na jednotlivé situace.

Kromě propočtů je možné využít i specializovaný software, ve kterém si celou výrobu „překreslíme“ do 3D modelu. Při pohledu na něj se pak mnohým vybaví spousta zábavy, kterou zažili v počítačových hrách, jako je Trasport Tycoon nebo Sim City.

Uplatnění digitálních dvojčat a dynamické simulace je opravdu široké a využít je můžeme ve všech možných oblastech. Pro odlehčení uvedu jako příklad simulaci provozu záchodků v divadle, do které se pustil jeden z mých kolegů. Bylo možné s ním zkoušet různé scénáře, jako je třeba výpadek jedné z kabinek nebo pisoáru. Dalo se tak snadno dopočítat, o kolik by se musela prodloužit pauza mezi dějstvími, aby si všichni stačili odskočit.

Dohled nad fabrikou i domovem

Prediktivní údržba, umělá inteligence, digitální dvojčata nebo optimalizace řízení zásob náhradních dílů. To vše nám může pomoci a v nejedné výrobě už pomáhá snižovat náklady i stres. Podstatná data přitom systém analyzuje a překlápí do přehledných dashboardů. Manažeři nebo zodpovědní pracovníci tak hned vidí, jestli všechno šlape, jak má, a to třeba ze svého mobilního telefonu. Pokud někde hrozí komplikace, systém na ně sám upozorní, případně i navrhne nebo dokonce zrealizuje řešení.

A stejně jako je to u mnohých jiných moderních technologií, i tyhle systémy se můžou a pravděpodobně také prosadí v běžných oblastech našeho života. S rozvojem IoT neboli internetu věcí bude v budoucnu běžné, že si pračka sama řekne o zavolání technika, a to s předstihem ještě před tím, než třeba vyhoří topné těleso. „Náhradní díly“ v podobě másla nebo docházející šunky bude lednička objednávat sama. Zohlední přitom množství „vázaného kapitálu“ nebo dobu expirace. Okna se zase sama zavřou, aby nám přicházející déšť nezničil plovoucí podlahu v obýváku.

Martin Plajner Autor článku je konzultant společnosti Logio.