Konieczność serwisowania maszyn oraz wykonywania prac w zakresie utrzymania ruchu jest w przemyśle nieodzowna. Internet Rzeczy i technologie Industry 4.0 umożliwiają dzisiaj producentom oraz użytkownikom maszyn znacznie efektywniejsze niż dawniej utrzymywanie ich sprawności, zapewnianie wysokiej efektywności pracy i bezpieczeństwa instalacji produkcyjnych. W artykule przyglądamy się zaawansowanym strategiom serwisowania oraz temu, jak nowoczesne urządzenia pomiarowe i przemysłowy Internet Rzeczy zmieniają sposoby prowadzenia takich działań. Spoglądamy też na nowe technologie, takie jak sztuczna inteligencja oraz VR/AR w kontekście utrzymania ruchu w przemyśle.

────── Artykuł firmowy ──────

Rozszerzoną publikację przeczytać można na stronie firmy Farnell element14

Tradycyjne strategie utrzymania ruchu w przemyśle zazwyczaj składały się z dwóch elementów. Pierwszym z nich jest podejście prewencyjne oparte o harmonogram. W z góry określonych momentach dokonuje się przeglądu i napraw maszyn. Czas pomiędzy kolejnymi przeglądami może bazować albo na kalendarzu albo na przebiegu, zaś uzupełnieniem jest serwisowanie w ramach napraw usterek. Drugim rozwiązaniem jest prowadzenie konserwacji po wstrzymaniu działania zakładu, ale większość firm stara się tego unikać, ze względu na koszty takiego działania.

Powyższe podejście nie było jednak efektywne. Część sprzętu, który podlega wymianie ze względu na harmonogram, mogłoby jeszcze przez długi czas sprawnie pracować. To właśnie powoduje straty. I o ile zbyt częste serwisowanie generuje nadmierne, niepotrzebne koszty, wydłużanie interwałów w harmonogramie może powodować wzrost usterek. Opisana strategia coraz mniej się sprawdza w nowoczesnym przemyśle, w którym sprzęt jest skomplikowany, a wymogi odnośnie do niezawodności wyższe. Dlatego potrzebny jest bardziej dokładny wgląd w czasie rzeczywistym w warunki pracy maszyn, aby mieć pewność, że działania serwisowe są odpowiednie.

Jednakże technologie Przemysłu 4.0 i Internet Rzeczy (IoT) pozwalają producentom oraz użytkownikom maszyn oraz systemów na skorzystanie z bardziej elastycznych metod, które bazują na dostępie do większej ilości informacji. W artykule przyglądamy się tym bardziej zaawansowanym strategiom serwisowania i utrzymania ruchu oraz temu, jak IoT oraz różne komponenty pozwalają na prowadzenie takich działań. Pokazujemy również, jak potencjalnie przytłaczające ilości danych z IoT mogą być zarządzane i z korzyści ą wykorzystywane przez algorytmy sztucznej inteligencji. Poruszamy także temat samonaprawiających się maszyn i wskazujemy, jak wirtualna rzeczywistość może zostać użyta w roli narzędzia treningowego dla pracowników utrzymania ruchu. Rozszerzoną publikację przeczytać można na stronie firmy Farnell element14.

źródło grafiki: Deloitte

Monitorowanie stanu maszyn

Okresy serwisowania maszyny są zazwyczaj określane przez jej producenta i bazują na analizie statystycznej odnośnie do tego, kiedy poszczególne części ulegną uszkodzeniu (lub mogą jemu ulec). Jednakże statystyczne prawdopodobieństwo wcale nie oznacza, że dana część faktycznie ulegnie uszkodzeniu w najbliższym czasie. Co więcej – może się zdarzyć, że dana część się zepsuje dużo wcześniej, niż jest to przewidywane. Efektywność i niezawodność mogłyby znacznie wzrosnąć, jeśli można by było monitorować maszynę i jej elementy w czasie rzeczywistym, wykrywać sytuacje, gdy jakieś parametry wykraczają poza akceptowalne granice, a następnie podejmować akcje zapobiegające stratom.Powyższe podejście jest monitorowaniem opartym o stan (Condition-Based Monitoring, CBM), gdzie stan maszyny jest stale monitorowany poprzez przyglądanie się predefiniowanemu zestawowi parametrów urządzenia. W ten sposób udaje się ustalić wzorce sytuacji, które mogą świadczyć o zbliżającej się awarii. Strategię CBM należałoby zacząć od określenia podstawowych parametrów do monitorowania. Takimi są m.in.:

  • wibracje: przede wszystkim monitorować wibracje łożysk,
  • temperatura: monitorowanie zmian temperatury,
  • poziom oleju: zmiany poziomu oleju smarującego mogą świadczyć o stanie urządzenia,
  • akustyka: czujniki ultradźwiękowe pozwalają określać stan maszyny,
  • parametry elektryczne silników.

Zdefiniowanie powyższych parametrów wymaga też określenia dopuszczalnych ich wartości dla poprawnego działania maszyny. Należy więc zebrać dane historyczne dla każdego z parametrów, by określić, jakie wartości parametrów są normalne. Gdy parametry są już dostępne do analizy, należy stworzyć model usterek, by wykrywać odchyły parametrów od normy. To całkiem proste zadanie, jeśli kombinacje wartości parametrów, które skutkują usterką, są znane. Można zdefiniować zestaw zasad, a klasyczne metody analizy danych i matematyka umożliwiają przygotowanie odpowiedniego modelu. Jednakże, jeśli przyczyny usterki nie są łatwe do zrozumienia, z pomocą przychodzą nauki o analizie danych i uczenie maszynowe, które pozwalają stworzyć algorytmy wykrywające wzorce w danych. Warto w tym miejscu dodać, że predykcyjne utrzymanie ruchu jest powiązane z CBM, ale nie jest tym samym. Bazuje na sprawdzaniu stanu maszyny, by ocenić czy ulegnie ona awarii w niedługim czasie, a następnie na podejmowaniu działań, aby zapobiec konsekwencjom takiej usterki.

Internet Rzeczy umożliwia wdrażanie CBM i zwiększa bezpieczeństwo

Metodę CBM cechuje ogromny potencjał, ale niesie ze sobą też wiele wyzwań. Może być droga ze względu na duże koszty dodania oprzyrządowania pomiarowego do maszyny i podłączenia go do sieci. Dotyczy to szczególnie sytuacji, gdy maszyna jest już zainstalowana w fabryce. Przykładowo, w przemyśle naftowym, ze względu na koszty, systemy CBM pierwszej generacji bazowały jedynie na pomiarach wibracji. Pozyskiwanie użytecznych danych również może być trudne. Nawet jeśli niektóre rodzaje sprzętu da się łatwo obserwować poprzez pomiary prostych wartości, takich jak wibracje (czyli przemieszczenia i przyspieszenia), temperatura i ciśnienie, wcale nie jest takie proste, by zamienić te dane w wartościową wiedzę na temat „zdrowia” urządzenia.

Sytuacja się jednak zmienia. Systemy produkcyjne stają się coraz droższe, a przez to droższe są także ich przestoje. Tymczasem technologia IoT pozwala producentom i użytkownikom na poradzenie sobie z tymi problemami, ponosząc przy tym mniejsze koszty. Czujniki są obecnie tańsze, bardziej odporne i niezawodne, a przy okazji mają bogatsze funkcje, czasem łączące w sobie cechy kilku różnych sensorów. Istnieją także bezprzewodowe protokoły, które pozwalają na efektywne zbieranie i przesyłanie danych z czujników do lokalnych bramek. Następnie można je przesłać systemów obliczeniowych w chmurze, które pozwolą już na uruchamianie oprogramowania jako usługi dla dowolnie dużej liczby użytkowników. Oprogramowanie to może wykonywać na nich analizy potrzebne do detekcji trendów i identyfikacji potencjalnych, problematycznych punktów.

Produktywność można dalej zwiększać przy okazji podwyższania poziomu bezpieczeństwa na terenie zakładu. Nowe systemy bezpieczeństwa można zrealizować za pomocą technologii IoT, połączonej z analizą Big Data. Takie kluczowe dane, informacje o jak nieobecności pracowników, problemach z pojazdami, zniszczeniu mienia, urazach i wszelkich innych stratach, które występują w trakcie normalnej pracy zakładu, mogą być z łatwością monitorowane. IoT umożliwia poprawienie ogólnego bezpieczeństwa dzięki dostępowi w czasie rzeczywistym do wielu tych informacji. Więcej na ten temat w artykule tutaj.

Monitorowanie stanu – integracja z automatyką

Siemens SIPLUS CMS to pakiet CBM, korzystający z technologii IoT. Stanowi krok w kierunku cyfrowych fabryk, w których wszystkie elementy, a w tym maszyny, produkty i personel, a także łańcuch produkcji, stają się usieciowione. CMS współpracuje z MindSphere, systemem chmurowym (IoT) Siemensa, który pozwala na analizę dużych ilości danych zebranych z systemów monitorowania maszyn, celem redukcji czasów przestojów. SIPLUS CMS zapisuje i analizuje dane na temat parametrów mechanicznych maszyn i integruje je ze światem automatyki, pomagając w podejmowaniu decyzji personelowi odpowiedzialnemu za konserwacje, a także operatorom i zarządowi. W przypadku pojawienia się anomalii, jest możliwe by szybko oszacować, przez ile czasu można jeszcze bezpiecznie pracować. Ponadto anomalie można bezpośrednio porównywać ze stanem komponentów znajdujących się w pobliżu problematycznego elementu, by określić, czy np. wzrost temperatury jest spowodowany przegrzewaniem się łożyska.

System SIPLUS jest dostarczany w ramach trzech różnych pakietów, o których przeczytać można tutaj.

Urządzenia pomiarowe do diagnostyki przemysłowej

W artykule jak dotąd omówiliśmy systemy monitorowania stanu, bazujące na czujnikach wartości mechanicznych, mierzących wibracje, obroty i temperaturę. Inne, specjalizowane sensory mogą dostarczyć wielu dodatkowych informacji na temat stanu maszyn i pojawiających się problemów.

Przykładowo Fluke oferuje kilka rodzin kamer termowizyjnych do różnych aplikacji monitorowania. Seria Performance sprawdza się w rutynowej konserwacji. Pozwala dostarczać obrazy obiektów nawet z odległości 15 cm (przy zastosowaniu manualnego ogniskowania), a użycie modeli ze stałą ogniskową pozwala szybciej zbierać obrazy. Kamery te mogą tworzyć raporty i przesyłać je z terenu za pomocą oprogramowania do zdalnej diagnostyki, Fluke Connect. Seria Professional jest przeznaczona do zaawansowanej inspekcji i wyszukiwania przyczyn problemów. Pozwala wykonywać dokładne zdjęcia gorących komponentów o temperaturze do 1200 °C. Jest w stanie monitorować procesy tworząc nagrania wideo, przesyłając obraz na żywo i może być zdalnie sterowana oraz pracować w trybie automatycznym. Urządzenia Expert pozwalają zaś uzyskiwać obrazy o najwyższej jakości, a 180-stopniowe pole widzenia ułatwia wybieranie ustawień kamery. Obraz pozwala na oglądanie małych detali i wykrywanie anomalii na 5,7-calowym ekranie dotykowym.

Innym przykładem produktów są przetworniki pomiarowe. Takimi są zaciski Pressac Sensing Wireless 3 Channel CT, które pozwalają na pomiary wartości prądu przemiennego w trzech oddzielnych przewodach. System zasilany jest z dowolnego z przewodów, które poddawane są pomiarom i co 30 sekund dokonuje pomiaru, przesyłając dane bezprzewodowo.

W zakładach przemysłowych często też zachodzi potrzeba monitorowania właściwości chemicznych cieczy i substancji. Przykładowo woda używana w systemach chłodzenia musi mieć odpowiedni skład chemicznych, by zapobiegać korozji, powstawaniu osadów, czy też rozwijaniu się mikroorganizmów. System SUEZ TrueSense pozwala na ciągłe monitorowanie wody stosowanej do chłodzenia maszyn i dozowanie odpowiedniej ilości związków chemicznych by utrzymać adekwatny stan wody.System komunikuje się z działającym w chmurze oprogramowaniem Insight firmy SUEZ, które pozwala zarządzać zdobywanymi informacjami. Umożliwia wizualizację aktualnego stanu oraz trendów, diagnostykę problemów i identyfikację miejsc, w których można coś poprawić. Dalsze informacje na ten temat w artykule.

Nowe technologie: sztuczna inteligencja oraz AR/VR

Tematem, który jest powiązany z zagadnieniami monitorowania stanu maszyn, jest predykcyjna jakość utrzymanie ruchu (Predictive Quality and Maintenance, PQM). Rozwiązania tego typu korzystają z danych, zbieranych zarówno z sieci IoT, jak i z tradycyjnych systemów i koncentrują się na wykrywaniu problemów w jakości produkcji oraz związanych z konserwacją, zanim staną się poważne i spowodują przestoje. O ile tradycyjnie w rozwiązaniach PQM wykorzystywano algorytmy bazujące na uśrednionych statystykach, o tyle obecnie można stosować nowe podejście dzięki dostępności znacznie większych zbiorów danych oraz dzięki nowym postępom w sztucznej inteligencji. Wykorzystuje się tu różne technologie, takie jak uczenie maszynowe, głębokie uczenie i algorytmy kognitywne (więcej tutaj).

źródło grafiki: Deloitte

W efekcie nowoczesne rozwiązanie PQM, gdzie stosuje uczenie maszynowe i deep learning, ma odpowiedzieć na pytanie „Co jest problemem?”. Następnie algorytmy kognitywne pozwalają na udzielenie odpowiedzi na pytania takie jak: „Czy już to widziałem?”, „Jakiego rodzaju jest to problem?”, „Kto wie jak go naprawić?”, „Kto spowodował ten problem?” i „Czy to się powtórzy?”.

Drugą z innowacji wchodzących w obszar utrzymania ruchu i diagnostyki maszyn jest wirtualna i rozszerzona rzeczywistość (VR/AR). Takimi rozwiązaniami zajmuje się firma ARVRTech – w jej rozumieniu wirtualna rzeczywistość ma odegrania dwie ważne role w inteligentnych fabrykach: stymulować szkolenia pracowników w zakresie konserwacji oraz upraszczać wykonywane procesy. Dzięki VR użytkownicy mogą wchodzić w wirtualne interakcje ze swoim otoczeniem i szybko oraz tanio przechodzić interaktywne szkolenia. W ten sposób pracownicy mogą nauczyć się czegoś na temat swojego miejsca pracy i maszyn, bez narażania swojego życia ani zdrowia oraz zwiększyć umiejętności obsługi kosztownych maszyn, zanim faktycznie zaczną ich używać.

Jedno z narzędzi firmy ARVRTech, Interactive 360 photo, pozwala na prowadzenie użytkownika przez różne scenariusze zdarzeń w zakładzie przemysłowym. Użytkownicy mają wybór spośród dwóch opcji: serwisowania (konserwacji) i szkolenia. W ramach tego pierwszego dostępna jest lista krótkich lekcji, dotyczących takich operacji jak sprawdzenie jakości stali lub wymiana łożysk. Następnie pojawiają się bardziej precyzyjne polecenia, takie jak „wykorzystaj tester do zmierzenia grubości”, dzięki czemu użytkownicy krok po kroku przechodzą przez omawiany proces.

Podsumowanie: Nowe usługi oraz samonaprawiające się systemy

Internet Rzeczy w przemyśle, dzięki zbieraniu danych i możliwości wykonywania zaawansowanych analiz, uzyskiwać lepszy wgląd w stan fabryk i maszyn – i to w czasie rzeczywistym. Pozwala to też na wprowadzanie znacznie bardziej efektywnych strategii utrzymania ruchu, bazując na tym co faktycznie się dzieje, zamiast opierać się na zgadywaniu, z użyciem statystyki. W publikacji „The Future of Maintenance”, przygotowanej przez Infosys, pojawia się sugestia, że podejście bazujące na danych pozwoli przenieść utrzymanie ruchu na wyższy poziom i że niedługo oferowanie konserwacji jako usługi stanie się normą. To podejście pozwoli na monitorowanie i zdalne naprawianie maszyn, a nawet potencjalnie na ich samoreperowanie się. Pojawią się nowe modele biznesu, w ramach których produkty nie będą sprzedawane za z góry ustaloną cenę, ale w oparciu o wydajność, jaką dane urządzenie jest w stanie dostarczyć (tutaj dalej na ten temat).

Metody serwisowania i utrzymania ruchu maszyn ewoluują – od reakcyjnych przez planowane, po predyktywne i w końcu do trybu samonaprawiania. Trendem jest zwiększanie wydajności zakładów przemysłowych przy ograniczaniu wysiłku na ich utrzymanie. Przykładowo badacze z Technical University of Denmark (DTU) opracowali metody automatycznej kompensacji zużycia narzędzi przemysłowych. To niezbędny krok na drodze do stworzenia samonaprawiających się narzędzi, realizowany we współpracy z niemieckim Siemensem.

Obecnie używane maszyny CNC uzyskują swoją maksymalną precyzję, gdy są nowe. Algorytmy pozycjonowania pozwalają zapewnić uzyskanie dokładnie takich samych wymiarów i wykończenia każdego z 10 tysięcy wycinanych, metalowych komponentów. Jednakże wysoka precyzja to już niejedyny wymóg, stawiany przed nowoczesnymi maszynami przemysłowymi. Obecnie oczekuje się także dużej niezawodności i przewidywania zużycia sprzętu, by zapobiec nieplanowanym przerwom w produkcji.

W związku z powyższym, w DTU opracowano nowe algorytmy, które sprawiają że sama maszyna jest w stanie ocenić, kiedy konieczne staje się serwisowanie różnych jej części. Dzięki przeprowadzonym badaniom, maszyna „umie” uwzględnić zużycie komponentów i dostosować się do nowych warunków. Oznacza to, że nie trzeba całkowicie zatrzymywać produkcji, by przestroić maszynę – może ona dalej pracować, utrzymując wysoką dokładność, nawet gdy jest już częściowo zużyta. Wizją naukowców z DTU jest opracowanie automatycznego systemu sterowania maszyną, który byłby zarówno w stanie kompensować wpływ stopniowego zużywania się elementów, jak i sugerować optymalne momenty przeprowadzenia napraw serwisowych.

Całość artykułu przeczytać można na stronie firmy Farnell element14.

Artykuły opublikowane w ramach cyklu IoT Hub

IoT Hub: Technologie Internetu Rzeczy

Wi-Fi w systemach Internetu Rzeczy

Bluetooth LE i jego wykorzystanie w IoT

ZigBee – otwarty standard sieci mesh

LoRaWAN i SigFox – dwa standardy sieci IoT

Iot Hub: Bezprzewodowe sieci czujnikowe i zasilanie systemów IoT

Internet Rzeczy… bez Internetu, czyli o cyberbezpieczeństwie systemów IoT

IoRT, czyli Internet Rzeczy Robotycznych

Logistyka 4.0, czyli IoT w łańcuchach dostaw

Druga era cyfrowej sprzedaży detalicznej

Wearables, czyli elektronika noszona

Jak usprawnić utrzymanie ruchu korzystając z IoT?

IoT w transporcie