Mitä ennustava kunnossapito tarkoittaa valmistavassa teollisuudessa?
Ennustava kunnossapito on kunnossapitostrategia, jossa hyödynnetään laitteiden kuntoa kuvaavaa dataa, operatiivista dataa, historiatietoa ja analyyttisiä menetelmiä kulumisen ja kunnon heikkenemisen merkkien tunnistamiseen sekä kunnossapitotarpeen ennakointiin.
Tavoitteena on tehdä kunnossapito oikeaan aikaan: ennen kuin laitevika häiritsee tuotantoa, mutta ei tarpeettoman aikaisin silloin, kun laite toimii vielä normaalisti.
Valmistaja voi esimerkiksi seurata jatkuvasti moottorin värähtelyä ja lämpötilaa. Yksittäinen mittaus ei välttämättä osoita ongelmaa, mutta värähtelykuvion muutokset tai lämpötilan asteittainen nousu voivat kertoa kehittyvästä kulumisesta. Nämä muutokset voidaan havaita ja analysoida, jolloin kunnossapitotiimi voi tarkastaa moottorin ennen kuin sen kunnon heikkeneminen johtaa odottamattomaan vikaantumiseen.
Tämä erottaa ennustavan kunnossapidon pelkästään kalenteriin perustuvasta kunnossapidosta. Sen sijaan, että kone huollettaisiin esimerkiksi kolmen kuukauden välein vain huoltoaikataulun perusteella, kunnossapitopäätöksiä voidaan tehdä myös laitteen todellisen kunnon ja käyttäytymisen perusteella.
Ennustava kunnossapito on erityisen hyödyllistä kriittisille laitteille, joiden odottamaton vikaantuminen voi keskeyttää tuotannon, vaikuttaa tuotteiden laatuun, kasvattaa kunnossapitokustannuksia tai aiheuttaa merkittäviä käyttökatkoksia. Se voikin muodostaa tärkeän osan laajempaa käyttövarmuus- ja kunnossapitostrategiaa.
Miten ennustava kunnossapito toimii?
Ennustavassa kunnossapidossa laitteista ja tuotannosta saatavaa dataa muutetaan jatkuvasti tiedoksi, jonka avulla kunnossapitotiimit voivat tunnistaa kehittyviä ongelmia ja suunnitella toimenpiteitä ennen vikaantumista.
Prosessi voidaan jakaa kuuteen käytännön vaiheeseen.
1. Kerää laite- ja operatiivista dataa
Ensimmäinen vaihe on kerätä dataa, joka kuvaa laitteen kuntoa ja suorituskykyä. Laitteesta riippuen tähän voivat kuulua esimerkiksi värähtely, lämpötila, paine, virtaus, sähkövirta, energiankulutus, käyttötunnit, syklimäärät, vikakoodit ja muut koneen toimintaa kuvaavat parametrit.
Tietoa voidaan saada suoraan koneista ja PLC-logiikoista, olemassa olevista ohjausjärjestelmistä ja tietokannoista tai kriittisiin laitteisiin asennetuista lisäsensoreista. Teollinen IoT voi auttaa yhdistämään nämä eri tietolähteet ja tuomaan laitedatan jatkuvasti saataville valvontaa ja analysointia varten.
2. Seuraa laitteiden kuntoa
Kun olennainen data on saatavilla, voidaan seurata, miten laitteet käyttäytyvät normaalin toiminnan aikana.
Jatkuvan teollisuuden valvonnan avulla laitteiden kuntoa voidaan seurata ajan kuluessa sen sijaan, että luotettaisiin ainoastaan määräajoin tehtäviin manuaalisiin tarkastuksiin. Näin voidaan muodostaa käsitys laitteen normaalista toiminnasta ja tunnistaa helpommin muutokset sen käyttäytymisessä.
Kun laitteiden kuntotietoja on tarpeen tarkastella myös koneen tai tuotantolaitoksen ulkopuolelta, etävalvonta voi tarjota kunnossapitotiimeille jatkuvan näkyvyyden olennaisiin mittaustietoihin ja käyttöolosuhteisiin toisesta sijainnista.
Esimerkiksi moottorin värähtely ja lämpötila voivat normaalisti pysyä suhteellisen vakaalla tasolla. Asteittainen poikkeama tästä normaalitasosta voi antaa varhaisen viitteen siitä, että laitteen kunto on muuttumassa.
3. Tunnista poikkeamat ja kunnon heikkeneminen
Seuraavaksi tunnistetaan epätavallista käyttäytymistä tai kehityssuuntia, jotka voivat viitata kulumiseen, kunnon heikkenemiseen tai kehittyvään vikaan.
Yksinkertaisissa menetelmissä voidaan käyttää ennalta määriteltyjä raja-arvoja, kun taas kehittyneempi poikkeamien tunnistaminen voi havaita useiden muuttujien välisiä poikkeamia ja ilmiöitä, joita ei välttämättä voida tunnistaa yksittäisestä mittauksesta.
Kaikki poikkeamat eivät tarkoita, että laite olisi vikaantumassa. Tavoitteena on tunnistaa tarkempaa selvitystä vaativat muutokset ja antaa kunnossapitotiimeille mahdollisuus havaita mahdolliset ongelmat aikaisemmin.
4. Ennakoi kunnossapitotarpeita tai mahdollisia vikoja
Historiallista ja reaaliaikaista laitedataa voidaan tämän jälkeen analysoida sen arvioimiseksi, miten laitteen kunto kehittyy ja onko kunnossapitoa mahdollisesti pian tarpeen tehdä.
Käyttötapauksesta riippuen tähän voidaan hyödyntää trendianalyysiä, tilastollisia malleja, koneoppimista tai muita teollisen tietoanalytiikan menetelmiä. Kehittyneemmissä sovelluksissa voidaan arvioida esimerkiksi vikaantumisen todennäköisyyttä tai jäljellä olevaa käyttöikää, kun taas yksinkertaisemmissa sovelluksissa kunnon heikkenemisen kehityssuunnat voidaan tunnistaa riittävän ajoissa kunnossapidon suunnittelua varten.
Menetelmän vaativuuden tulisi vastata operatiivista tarvetta. Ennustava kunnossapito ei aina edellytä monimutkaista tekoälymallia, sillä monissa tapauksissa luotettava data ja hyvin määritellyt käyttäytymismallit voivat jo tuottaa arvokasta ennakoivaa tietoa.
5. Suunnittele ja toteuta kunnossapito
Ennusteesta syntyy arvoa vasta silloin, kun se johtaa tarkoituksenmukaiseen kunnossapitotoimenpiteeseen.
Kun laitteessa havaitaan merkkejä kunnon heikkenemisestä, kunnossapitotiimi voi tarkastaa laitteen, aikatauluttaa korjauksen, varata tarvittavat varaosat ja sovittaa työn yhteen tuotannon kanssa. Odottamattomaan vikaantumiseen reagoimisen sijaan toimenpide voidaan usein suunnitella sopivaan huoltoajankohtaan.
Ennakoiva tieto voidaan myös yhdistää Enterprise Asset Management (EAM) -järjestelmiin, jolloin laitteen kunto, kunnossapitohistoria, työmääräimet ja kunnossapidon suunnittelu tukevat samaa päätöksentekoprosessia.
6. Hyödynnä kunnossapidon tuloksia toiminnan kehittämisessä
Ennustavan kunnossapidon tulisi kehittyä sitä mukaa, kun operatiivista dataa ja kunnossapitotietoa kertyy lisää.
Tarkastuksen tai korjauksen jälkeen todellisia havaintoja voidaan verrata alkuperäiseen hälytykseen tai ennusteeseen. Oliko komponentin kunto todella heikkenemässä? Tuliko varoitus liian aikaisin? Ratkaisiko kunnossapitotoimenpide ongelman todellisen syyn?
Tämän palautteen avulla valmistajat voivat kehittää raja-arvoja, analyyttisiä malleja, hälytyksiä ja kunnossapitokäytäntöjä ajan mittaan. Ennustavasta kunnossapidosta muodostuu näin jatkuva kehitysprosessi yksittäisen teknologiaprojektin sijaan.
Ennustava, ehkäisevä ja kuntoon perustuva kunnossapito
Ennustavaa kunnossapitoa on helpompi ymmärtää vertaamalla sitä muihin yleisiin kunnossapitostrategioihin. Keskeinen ero on siinä, mikä käynnistää kunnossapitotoimenpiteen ja kuinka aikaisin kehittyvä ongelma voidaan tunnistaa.
Korjaava kunnossapito
Korjaava kunnossapito tehdään sen jälkeen, kun laite on jo vikaantunut tai lakannut toimimasta oikein. Laitetta käytetään siihen asti, kunnes ongelma ilmenee, minkä jälkeen se korjataan takaisin käyttökuntoon.
Tämä lähestymistapa voi olla käytännöllinen edullisille tai ei-kriittisille laitteille, joiden vikaantumisella on vain vähäinen vaikutus tuotantoon. Kriittisten tuotantolaitteiden kohdalla odottamattomat viat voivat kuitenkin johtaa suunnittelemattomiin käyttökatkoksiin, tuotannon menetyksiin, kiireellisiin korjauksiin ja lisäkustannuksiin.
Ehkäisevä kunnossapito
Ehkäisevä kunnossapito tehdään ennalta määritellyin väliajoin ajan, käyttötuntien, tuotantosyklien tai muun kiinteän aikataulun perusteella.
Esimerkiksi komponentti voidaan tarkastaa kolmen kuukauden välein tai vaihtaa tietyn käyttötuntimäärän jälkeen riippumatta sen todellisesta kunnosta.
Aikataulutettu kunnossapito voi vähentää odottamattomien vikojen riskiä, mutta se voi myös johtaa siihen, että kunnossapitoa tehdään tarpeettoman aikaisin. Komponentteja, joilla olisi vielä käyttöikää jäljellä, voidaan tarkastaa tai vaihtaa vain siksi, että ennalta määritelty huoltoväli on täyttynyt.
Kuntoon perustuva kunnossapito
Kuntoon perustuvassa kunnossapidossa hyödynnetään tietoa laitteen todellisesta kunnosta sen määrittämiseksi, milloin kunnossapitoa tarvitaan.
Sensoreiden, konedatan, tarkastusten tai muiden valvontamenetelmien avulla voidaan seurata esimerkiksi värähtelyä, lämpötilaa, painetta tai öljyn kuntoa. Kunnossapitotoimenpide käynnistetään, kun seurattava suure osoittaa, että laite vaatii huomiota.
Esimerkiksi kunnossapito voidaan aikatauluttaa, kun laakerin värähtelytaso ylittää määritellyn raja-arvon.
Ennustava kunnossapito
Ennustava kunnossapito menee tätä pidemmälle hyödyntämällä nykyistä ja historiallista dataa laitteen kunnon kehittymisen tunnistamiseen ja sen arvioimiseen, milloin kunnossapitoa todennäköisesti tarvitaan.
Sen sijaan, että odotettaisiin ennalta määritellyn kunnon raja-arvon ylittymistä, ennustavilla menetelmillä voidaan analysoida kehityssuuntia ja käyttäytymismalleja, jotka kertovat kunnon heikkenemisestä jo ennen kuin laite saavuttaa kriittisen tilan.
Sen sijaan, että kunnossapitotoimenpide käynnistettäisiin vasta laakerin värähtelyn ylittäessä tietyn raja-arvon, ennustavassa lähestymistavassa voidaan esimerkiksi analysoida värähtelykuvion muuttumista ajan mittaan ja tunnistaa merkkejä laakerin kunnon asteittaisesta heikkenemisestä.
Näin kunnossapitotiimille jää enemmän aikaa suunnitella toimenpide, varata tarvittavat varaosat, sovittaa työ yhteen tuotannon kanssa ja tehdä kunnossapito ennen kuin kehittyvä ongelma johtaa laitteen vikaantumiseen.
Käytännössä valmistavan teollisuuden yritysten ei tarvitse valita yhtä kunnossapitostrategiaa kaikille laitteille. Kriittisille laitteille ennustava tai kuntoon perustuva kunnossapito voi olla perusteltua, kun taas muille laitteille ehkäisevä kunnossapito voi olla käytännöllisempi vaihtoehto. Ei-kriittisiä laitteita voidaan joissakin tapauksissa ylläpitää myös korjaavan kunnossapidon periaatteella.
Sopiva strategia riippuu esimerkiksi laitteen kriittisyydestä, vikaantumisen seurauksista, kunnossapitokustannuksista, saatavilla olevasta datasta, laitteen kunnosta sekä siitä, kuinka luotettavasti laitteen tilaa voidaan seurata.
Mitä dataa ennustavassa kunnossapidossa käytetään?
Ennustava kunnossapito perustuu dataan, jonka avulla voidaan havaita muutoksia laitteiden kunnossa, suorituskyvyssä ja käyttäytymisessä. Hyödyllisin data riippuu laitetyypistä ja mahdollisesta vikaantumistavasta, joten kaikkea mahdollista mittausdataa ei välttämättä tarvitse kerätä.
Monissa tapauksissa arvokasta dataa on jo saatavilla koneista, PLC-logiikoista, ohjausjärjestelmistä, historiatietokannoista, kunnossapitojärjestelmistä ja muista teollisista sovelluksista. Lisäsensoreita voidaan ottaa käyttöön silloin, kun olemassa oleva data ei ole riittävää.
Värähtelydata
Värähtelydata on erityisen hyödyllistä pyörivien laitteiden, kuten moottoreiden, pumppujen, puhaltimien, kompressoreiden ja laakereiden, kunnon seurannassa.
Värähtelykuvioiden muutokset voivat viitata kehittyviin ongelmiin, kuten epätasapainoon, linjausvirheisiin, löystymiseen tai laakerin kunnon heikkenemiseen. Näiden muutosten seuranta ajan mittaan voi auttaa kunnossapitotiimejä tunnistamaan poikkeavan käyttäytymisen ennen kuin se kehittyy vakavammaksi viaksi.
Lämpötiladata
Lämpötila voi antaa tärkeää tietoa mekaanisten ja sähköisten laitteiden kunnosta.
Poikkeava lämpötilan nousu voi viitata esimerkiksi liialliseen kitkaan, riittämättömään voiteluun, sähköisiin ongelmiin, jäähdytysongelmiin tai kasvaneeseen mekaaniseen kuormitukseen. Lämpötilan kehityksen seuraaminen yksittäisten mittausten sijaan auttaa erottamaan normaalin vaihtelun asteittaisesta kunnon heikkenemisestä.
Paine- ja virtausdata
Paine- ja virtausmittaukset ovat erityisen olennaisia pumppujen, kompressoreiden, hydraulijärjestelmien, putkistojen ja prosessilaitteiden seurannassa.
Odottamattomat muutokset voivat viitata esimerkiksi vuotoihin, tukoksiin, venttiiliongelmiin, pumpun suorituskyvyn heikkenemiseen tai muihin prosessissa tapahtuviin muutoksiin. Paine- ja virtausdatan yhdistäminen muihin toimintaparametreihin voi antaa selkeämmän kuvan sekä laitteen että prosessin tilasta.
Sähkö- ja energiadata
Myös sähköiset mittaukset, kuten virta, jännite, teho ja energiankulutus, voivat paljastaa muutoksia laitteen käyttäytymisessä.
Jos esimerkiksi sähkömoottori alkaa vastaavissa käyttöolosuhteissa ottaa aiempaa enemmän virtaa, syynä voi olla kasvanut mekaaninen vastus, liiallinen kuormitus tai muu kehittyvä ongelma.
Energiadata voi siten tarjota hyödyllistä lisäkontekstia laitteen kunnon ja suorituskyvyn arviointiin.
Kone- ja ohjausjärjestelmien data
Ennustava kunnossapito ei perustu ainoastaan lisäsensoreihin. Nykyaikaiset teollisuuslaitteet tuottavat jo valmiiksi suuria määriä operatiivista dataa PLC-logiikoiden, SCADA-järjestelmien, koneohjausten ja muiden automaatiojärjestelmien kautta.
Käyttötunnit, syklimäärät, koneiden toimintatilat, hälytykset, vikakoodit, nopeudet, kuormitukset, asetusarvot ja prosessiarvot voivat kaikki tarjota hyödyllistä kontekstia sen ymmärtämiseen, miksi laitteen käyttäytyminen muuttuu.
OPC UA:n kaltaiset teknologiat voivat auttaa tuomaan eri teollisuuslaitteista ja -järjestelmistä saatavan datan käyttöön standardoidulla tavalla, mikä helpottaa olemassa olevan operatiivisen datan hyödyntämistä valvonnassa ja analytiikassa.
Kunnossapito- ja historiatiedot
Sensori- ja konedata muuttuvat arvokkaammiksi, kun ne yhdistetään tietoon siitä, mitä laitteelle on tapahtunut aiemmin.
Kunnossapitohistoria voi sisältää tietoja aiemmista vioista, tarkastuksista, korjauksista, vaihdetuista komponenteista, työmääräimistä, vikakoodeista ja muista kunnossapitotoimenpiteistä. Historiallinen operatiivinen data voi puolestaan osoittaa, miten laite käyttäytyi ennen aiempien ongelmien ilmenemistä.
Nykyisen kuntotiedon yhdistäminen historiallisiin kunnossapitotietoihin auttaa valmistajia ymmärtämään, onko havaittu käyttäytymismalli aiemmin liittynyt tiettyyn vikaan tai kunnossapitotarpeeseen.
Tavoitteena ei siis ole kerätä mahdollisimman paljon dataa. Onnistunut ennustavan kunnossapidon strategia keskittyy dataan, joka auttaa tunnistamaan merkityksellisiä muutoksia kriittisten laitteiden kunnossa ja tukee parempia kunnossapitopäätöksiä.
Ennustavassa kunnossapidossa käytettävät teknologiat
Ennustava kunnossapito ei perustu yhteen teknologiaan. Siinä yhdistetään yleensä useita teknologioita, joiden avulla kerätään laitedataa, seurataan laitteiden kuntoa, tunnistetaan poikkeavaa käyttäytymistä, analysoidaan kehityssuuntia ja autetaan kunnossapitotiimejä arvioimaan, milloin toimenpiteitä tarvitaan.
Käytettävät teknologiat riippuvat laitteista, saatavilla olevasta datasta, mahdollisista vikaantumistavoista ja ennustavan kunnossapidon käyttötapauksen monimutkaisuudesta.
Sensorit ja teollinen IoT
Sensorit tuottavat monia laitteiden kunnon ymmärtämiseen tarvittavia mittauksia, kuten värähtely-, lämpötila-, paine-, virtaus- ja sähkövirtatietoja sekä muita toimintaparametreja.
Teollisen IoT:n avulla nämä sensorit, koneet ja muut teollisuuslaitteet voidaan yhdistää niin, että kuntotieto on jatkuvasti saatavilla valvontaa ja analysointia varten. Tämä on erityisen hyödyllistä silloin, kun tietoa täytyy kerätä suuresta määrästä laitteita tai kun laitteita seurataan eri tuotantoalueilla ja toimipaikoissa.
Ennustavan kunnossapidon käyttöönotto ei kuitenkaan aina tarkoita uusien sensoreiden asentamista jokaiseen koneeseen. Olemassa olevat PLC-logiikat, koneohjaukset, SCADA-järjestelmät ja muut teollisuusjärjestelmät voivat jo sisältää suuren osan tarvittavasta operatiivisesta datasta.
Teollinen tietoanalytiikka ja poikkeamien tunnistaminen
Laitedatan kerääminen on vasta ensimmäinen vaihe. Lisäksi on tunnistettava, mitkä datassa tapahtuvat muutokset ovat merkityksellisiä.
Teollisen tietoanalytiikan avulla voidaan tarkastella historiallista ja reaaliaikaista laitedataa, tunnistaa kehityssuuntia, vertailla käyttöolosuhteita ja löytää yhteyksiä eri muuttujien välillä.
Yksi tärkeä sovellus on poikkeamien tunnistaminen, jonka avulla voidaan havaita laitteen käyttäytymistä, joka poikkeaa määritellystä normaalista toimintamallista. Esimerkiksi värähtelyn ja lämpötilan samanaikainen nousu voi viitata kehittyvään ongelmaan, vaikka kumpikaan mittaus ei yksin olisi vielä saavuttanut kriittistä raja-arvoa.
Näiden poikkeamien varhainen tunnistaminen antaa kunnossapitotiimeille enemmän aikaa selvittää niiden syy ja arvioida, tarvitaanko toimenpiteitä.
Tekoäly ja koneoppiminen
Tekoäly ja koneoppiminen voivat laajentaa ennustavan kunnossapidon mahdollisuuksia tunnistamalla monimutkaisia käyttäytymismalleja suurista datamääristä ja hyödyntämällä tietoa laitteiden aiemmasta toiminnasta niiden tulevan kunnon arvioinnissa.
Malleja voidaan kouluttaa historiallisen operatiivisen datan ja vikatietojen avulla tunnistamaan tiettyihin vikoihin liittyviä käyttäytymismalleja. Sovelluksesta ja käytettävissä olevasta datasta riippuen niitä voidaan hyödyntää laitteiden kunnon luokitteluun, vikaantumistodennäköisyyden arviointiin, kunnon heikkenemisen kehityssuuntien tunnistamiseen tai jäljellä olevan käyttöiän arvioimiseen.
Tekoäly on erityisen hyödyllinen silloin, kun laitteen käyttäytymiseen vaikuttaa useita toisiinsa liittyviä muuttujia, joiden arviointi pelkkien yksinkertaisten raja-arvojen avulla olisi vaikeaa.
Tekoälyä ei kuitenkaan tarvita automaattisesti kaikissa ennustavan kunnossapidon sovelluksissa. Luotettava trendi, raja-arvo tai tilastollinen malli voi tarjota riittävästi tietoa tietyn laitteen kunnossapitoa varten. Analyyttinen menetelmä tulisikin valita kunnossapidon tarpeen perusteella sen sijaan, että tekoälyä otettaisiin käyttöön vain siksi, että teknologia on saatavilla.
Digitaaliset kaksoset
Digitaalinen kaksonen voi tuoda laitteen kuntotiedot, operatiivisen datan, kunnossapitotiedot, hälytykset ja muun olennaisen tiedon fyysisen laitteen tai tuotantoympäristön kontekstiin.
Sen sijaan, että sensoriarvoja ja hälytyksiä tarkasteltaisiin toisistaan irrallisina tietoina, digitaaliset kaksoset valmistavassa teollisuudessa voivat auttaa käyttäjiä ymmärtämään, mihin koneeseen tai komponenttiin tieto liittyy, missä se sijaitsee, miten se liittyy ympäröiviin laitteisiin ja mitä muuta operatiivista tietoa tilanteen arvioinnissa voidaan tarvita.
Ennustavassa kunnossapidossa tämä konteksti voi helpottaa havaittujen poikkeamien ja ennusteiden tulkintaa. Kunnossapitotiimit voivat siirtyä hälytyksestä tai kuntoindikaattorista suoraan sitä vastaavaan laitteeseen, tarkastella olennaisia tietoja ja muodostaa selkeämmän kuvan kehittyvästä ongelmasta.
Digitaalinen kaksonen ei siis itsessään ole ennuste. Sen sijaan se voi tarjota rakenteisen ja visuaalisen ympäristön, jossa ennustavan kunnossapidon tiedot yhdistetään niitä vastaaviin laitteisiin ja prosesseihin.
EAM-, CMMS- ja muut teollisuusjärjestelmät
Ennustavassa kunnossapidossa analyyttinen tieto täytyy myös yhdistää käytännön kunnossapitotyöhön.
Enterprise Asset Management (EAM)- ja Computerized Maintenance Management System (CMMS) -järjestelmät voivat sisältää laitetietoja, kunnossapitohistoriaa, työmääräimiä, varaosatietoja, tarkastustietoja ja suunniteltuja kunnossapitotoimenpiteitä.
Kun ennakoiva tieto yhdistetään näihin järjestelmiin, havaittu laiteongelma voidaan liittää osaksi vakiintunutta kunnossapidon työnkulkua sen sijaan, että se jäisi yksittäiseksi hälytykseksi.
Ennustava kunnossapito voi myös tukea laajempaa Asset Performance Managementia (APM) yhdistämällä laitteiden kuntoa, käyttövarmuutta, kunnossapitoa ja suorituskykyä koskevaa tietoa koko laitteen elinkaaren aikaiseen päätöksentekoon.
Suurin arvo ei siis synny yksittäisten teknologioiden käyttöönotosta erillään toisistaan, vaan laitedatan, analytiikan, laitekontekstin ja kunnossapitoprosessien yhdistämisestä käytännön päätöksentekoa tukevaksi työnkuluksi.
Esimerkkejä ennustavasta kunnossapidosta valmistavassa teollisuudessa
Ennustavaa kunnossapitoa voidaan soveltaa eri tavoin laitteiden, saatavilla olevan datan, kunnossapitoprosessien ja operatiivisten tavoitteiden mukaan. Käytännössä valmistavan teollisuuden yritykset yhdistävät usein kunnonvalvontaa, kunnossapitotietoa, reaaliaikaista tuotantodataa ja digitaalisen kaksosen teknologiaa saadakseen aikaisemmin tietoa kehittyvistä kunnossapitotarpeista.
Seuraavat esimerkit osoittavat, miten Process Geniuksen asiakkaat ovat soveltaneet näitä periaatteita todellisissa tuotantoympäristöissä.
Teollisten pintakäsittelylaitteiden ennustava kunnossapito
Suomalainen teollisten pintakäsittelyjärjestelmien ja -laitteiden valmistaja Pekotek hyödyntää Genius Core 3D Digital Twin -alustaa ennustavan kunnossapidon tukena ja tarjotakseen asiakkailleen paremman näkyvyyden laitteisiin ja niiden kunnossapitotarpeisiin.
Ratkaisu kokoaa tuotantojärjestelmistä ja sensoreista saatavaa tietoa yhteiseen visuaaliseen ympäristöön. Näin huoltoaikatauluja, kriittisiä kuntotietoja ja varaosatarpeita voidaan seurata yhdessä sen sijaan, että tiedot olisivat hajallaan eri lähteissä.
Tämän avulla käyttäjät voivat seurata laitteiden kuntoa ennakoivasti ja tunnistaa kunnossapitotarpeita ennen kuin ne johtavat tuotantohäiriöihin. Kuntotiedon avulla voidaan esimerkiksi määrittää, milloin suodattimet on vaihdettava sen sijaan, että odotettaisiin niiden kunnon heikkenemisen vaikuttavan haitallisesti toimintaan.
Ratkaisu on kehittynyt myös white label -yhteistyöksi, jonka kautta Pekotek voi tarjota digitaalisen kaksosen ja ennustavan kunnossapidon ominaisuuksia omille loppuasiakkailleen.
Lue lisää Pekotekin ennustavan kunnossapidon ratkaisusta.
CNC-laitteiden kunnossapidon ja tuotannon seuranta
EFM Groupin CNC-koneistuksessa digitaalisen kaksosen teknologiaa hyödynnetään tarjoamaan reaaliaikainen näkyvyys CNC-laitteisiin, tuotannon suorituskykyyn ja kunnossapitotoimenpiteisiin.
Ratkaisun avulla yritys voi seurata koneiden käyttöastetta ja tuottavaa työaikaa sekä samalla tukea kunnossapidon seurantaa. Digitaalinen kunnossapidon mittaristo auttaa varmistamaan, että tarvittavat kunnossapitotoimenpiteet todella tehdään, mikä vähentää riskiä aikataulutettujen huoltojen jäämisestä tekemättä.
Esimerkki havainnollistaa ennustavan ja ennakoivan kunnossapidon tärkeää periaatetta: laitteen kuntoa ei tulisi tarkastella erillään siitä, miten laitetta todellisuudessa käytetään. Kunnossapitotiedon yhdistäminen tuotanto- ja käyttöastetietoihin tarjoaa lisäkontekstia laitteen suorituskyvyn ymmärtämiseen ja kunnossapitotoimenpiteiden suunnitteluun.
Lue lisää EFM Groupin tuotannon ja kunnossapidon seurannasta.
Digitaalisen kaksosen hyödyntäminen ennustavan kunnossapidon suunnittelussa
Prokosch käyttää digitaalista kaksosta tuotannon ja kunnossapidon johtamisen työkaluna. Ratkaisu tukee koneiden kunnossapitoa tuomalla kunnossapitotarpeet ja huoltojen kuittaukset näkyviin osana operatiivista ympäristöä.
Yritys pyrkii vähentämään suunnittelemattomia konevikoja ja laitevaurioita siirtymällä koneiden kunnossapidossa kohti ennustavaa kunnossapitoa. Kunnossapitolokien avulla voidaan myös tunnistaa, mitkä koneiden komponentit vaativat säännöllistä huomiota, ja kehittää kunnossapidon suunnittelua ajan mittaan.
Prokoschin esimerkki osoittaa, ettei ennustavassa kunnossapidossa ole kyse ainoastaan mahdollisen vikaantumisen havaitsemisesta. Tieto täytyy myös yhdistää huoltoaikatauluihin, laitteiden historiatietoihin ja päivittäiseen operatiiviseen päätöksentekoon.
Lue lisää Prokoschin ennustavan kunnossapidon toimintamallista.
Nämä esimerkit osoittavat myös, ettei ennustavaa kunnossapitoa tarvitse aloittaa erittäin monimutkaisella tekoälymallilla. Valmistavan teollisuuden yritykset voivat saavuttaa merkittävää operatiivista arvoa yhdistämällä ensin olennaiset laite- ja kunnossapitotiedot, parantamalla näkyvyyttä laitteiden kuntoon, määrittelemällä tarkoituksenmukaiset hälytykset ja kunnossapitoprosessit sekä laajentamalla tämän jälkeen analytiikan mahdollisuuksia sitä mukaa, kun luotettavaa dataa kertyy lisää.
Ennustavan kunnossapidon hyödyt
Ennustavan kunnossapidon keskeinen arvo syntyy siitä, että valmistavan teollisuuden yritykset saavat enemmän aikaa ja parempaa tietoa kunnossapitopäätösten tekemiseen. Sen sijaan, että reagoitaisiin odottamattomiin vikoihin tai vaihdettaisiin komponentteja pelkästään kiinteiden huoltoaikataulujen perusteella, kunnossapitotiimit voivat kohdentaa toimenpiteensä niihin laitteisiin, joiden kunto todella vaatii huomiota.
Tämä voi tuoda useita operatiivisia ja taloudellisia hyötyjä.
Vähemmän suunnittelemattomia käyttökatkoksia
Odottamattomat laiteviat voivat keskeyttää tuotannon, vaikuttaa toimitusaikatauluihin ja aiheuttaa ongelmia myös muualla tuotantoprosessissa.
Ennustava kunnossapito auttaa tunnistamaan kehittyviä laiteongelmia aikaisemmin, jolloin kunnossapito- ja tuotantotiimeille jää enemmän aikaa suunnitella tarvittavat toimenpiteet ennen laitteen vikaantumista.
Kunnossapito voidaan usein ajoittaa suunniteltujen tuotantoseisokkien tai alhaisemman käyttöasteen yhteyteen sen sijaan, että korjaukset jouduttaisiin tekemään kiireellisesti vikatilanteessa. Ennustava kunnossapito onkin tärkeä keino valmistajille, jotka haluavat vähentää tuotannon käyttökatkoksia ja parantaa tuotannon jatkuvuutta.
Pienemmät kunnossapito- ja käyttökustannukset
Ennustava kunnossapito voi auttaa vähentämään tarpeettomia kunnossapitotoimenpiteitä siirtymällä pois täysin kiinteisiin huoltoaikatauluihin perustuvasta toimintamallista.
Jos laite toimii edelleen normaalisti, komponentteja ei välttämättä tarvitse vaihtaa vain siksi, että ennalta määritelty huoltoväli on täyttynyt. Samalla kunnon heikkenemisen tunnistaminen ennen vakavaa vikaantumista voi auttaa välttämään kiireellisiä korjauksia ja ympäröiville komponenteille aiheutuvia lisävaurioita.
Kunnossapidon parempi ajoitus voi siten auttaa hallitsemaan laajempia valmistuksen kustannuksia, kuten kunnossapidon työvoima- ja varaosakustannuksia, tuotannon menetyksiä sekä laitevioista aiheutuvia kustannuksia.
Laitteiden ja komponenttien pidempi käyttöikä
Komponenttien vaihtaminen liian aikaisin voi jättää osan niiden käyttöiästä hyödyntämättä, kun taas liian myöhään tehty kunnossapito voi johtaa vikaantumiseen ja mahdollisesti vaurioittaa laitteen muita osia.
Seuraamalla laitteiden todellista kuntoa valmistajat voivat tehdä paremmin perusteltuja päätöksiä siitä, milloin tarkastus, korjaus tai komponentin vaihto on tarpeen.
Näin laitteet ja komponentit voidaan pitää tuottavassa käytössä pidempään samalla, kun odottamattoman vikaantumisen riskiä hallitaan.
Parempi kunnossapidon suunnittelu
Varhainen tieto kehittyvistä laiteongelmista antaa kunnossapitotiimeille enemmän aikaa valmistautua.
Sen sijaan, että ongelma havaittaisiin vasta koneen pysähdyttyä, tiimit voivat suunnitella tarvittavat työt, tarkistaa varaosien saatavuuden, osoittaa tehtävään tarvittavan henkilöstön, järjestää tarvittaessa asiantuntijatukea ja sovittaa toimenpiteet yhteen tuotannon kanssa.
Näin kunnossapitotoiminnasta tulee ennakoitavampaa ja kiireellisten korjausten aiheuttamia häiriöitä voidaan vähentää.
Parempi varaosien suunnittelu
Ennakoiva tieto voi myös auttaa valmistajia arvioimaan, mitkä komponentit todennäköisesti tarvitsevat vaihtoa ja milloin niitä saatetaan tarvita.
Tämä voi parantaa varaosien suunnittelua vähentämällä tarvetta pitää kaikkia komponentteja tarpeettoman suuria määriä varastossa ja samalla pienentää riskiä siitä, ettei tärkeää varaosaa ole saatavilla silloin, kun sitä tarvitaan.
Useita koneita tai tuotantolaitoksia operoivissa organisaatioissa parempi näkyvyys voi myös auttaa koordinoimaan varaosavarastoja eri laitteiden ja toimipaikkojen välillä.
Parempi laitteiden käyttövarmuus ja tuotannon vakaus
Ennustava kunnossapito tukee viime kädessä laitteiden parempaa käyttövarmuutta.
Kun kunnon heikkeneminen havaitaan aikaisemmin ja kunnossapito voidaan ajoittaa paremmin, voidaan vähentää todennäköisyyttä sille, että laiteongelmat kehittyvät tuotantoa häiritseviksi vioiksi.
Luotettavammin toimivat laitteet tukevat myös vakaampaa tuotantoa. Kun kunnossapitotiimeillä on parempi näkyvyys laitteiden kuntoon, tuotantotiimit voivat suunnitella toimintaa varmemmin sen sijaan, että ne joutuisivat jatkuvasti reagoimaan odottamattomiin koneongelmiin.
Ennustavan kunnossapidon hyödyt ulottuvatkin kunnossapito-osastoa laajemmalle. Laitteiden parempi käyttövarmuus, vähäisemmät odottamattomat keskeytykset ja paremmin suunnitellut kunnossapitotoimenpiteet voivat parantaa koko tuotantotoiminnan vakautta ja tehokkuutta.
Miten ennustava kunnossapito otetaan käyttöön valmistavassa teollisuudessa?
Ennustavan kunnossapidon käyttöönotto ei edellytä kaikkien koneiden valvontaa tai kehittyneen tekoälyn käyttöönottoa koko tehtaassa heti alusta lähtien. Käytännöllisempi lähestymistapa on aloittaa selkeästi määritellystä kunnossapito-ongelmasta, osoittaa, että saatavilla oleva data tukee parempaa päätöksentekoa, ja laajentaa ratkaisua tämän jälkeen vaiheittain.
Seuraavat vaiheet tarjoavat käytännön rungon ennustavan kunnossapidon käyttöönottoon.
1. Tunnista kriittiset laitteet ja kunnossapito-ongelmat
Ensimmäinen vaihe on määrittää, missä ennustava kunnossapito voi tuottaa merkittävää arvoa.
Valmistajien tulisi tunnistaa laitteet, joiden odottamattomalla vikaantumisella on merkittävä vaikutus tuotantoon, kunnossapitokustannuksiin, tuotteiden laatuun, turvallisuuteen tai muuhun toimintaan. Erityisen olennaisia voivat olla laitteet, joissa esiintyy toistuvia vikoja, joissa on kalliita komponentteja tai joiden korjaaminen kestää pitkään tai joille ei ole helposti korvaavaa kapasiteettia.
On myös tärkeää ymmärtää, miten nämä laitteet tyypillisesti vikaantuvat. Todennäköisten vikaantumistapojen tunteminen auttaa määrittämään, mitä muutoksia laitteen käyttäytymisessä tulisi seurata ja millaista dataa niiden tunnistamiseen tarvitaan.
Aloittaminen rajatusta määrästä huolellisesti valittuja laitteita on yleensä helpommin hallittavissa kuin ennustavan kunnossapidon käyttöönotto koko tuotantolaitoksessa kerralla.
2. Määrittele datavaatimukset
Kun laite ja kunnossapito-ongelma on määritelty, seuraava vaihe on tunnistaa, millainen data voi antaa tietoa kehittyvästä viasta.
Laitteesta riippuen tähän voivat kuulua esimerkiksi värähtely, lämpötila, paine, virtaus, sähkövirta, energiankulutus, käyttötunnit, koneen toimintatilat, hälytykset, syklimäärät sekä muu prosessi- ja kuntodata.
Ensin tulisi selvittää, mitä tietoa on jo saatavilla koneista, PLC-logiikoista, SCADA-järjestelmistä, historiatietokannoista, kunnossapitojärjestelmistä ja muista olemassa olevista tietolähteistä.
Lisäsensoreita kannattaa ottaa käyttöön silloin, kun olemassa oleva data ei tarjoa riittävää näkyvyyttä seurattavan laitteen kuntoon.
3. Yhdistä olemassa olevat tietolähteet ja laitteet
Valituista laitteista saatava data täytyy kerätä ja tuoda saataville valvontaa ja analysointia varten.
Tuotantoympäristöstä riippuen tämä voi tarkoittaa PLC-logiikoiden, koneiden, sensoreiden, teollisten tietokantojen, SCADA-järjestelmien tai muiden sovellusten yhdistämistä. Vanhemmat laitteet voivat edellyttää lisäsensoreita, yhdyskäytäviä tai muita ratkaisuja olennaisen kuntodatan saamiseksi käyttöön.
Tavoitteena ei ole yhdistää mahdollisimman montaa järjestelmää. Ensisijaisesti tulisi saada käyttöön luotettavaa dataa, joka tukee kyseistä ennustavan kunnossapidon käyttötapausta.
4. Määrittele normaalit käyttöolosuhteet
Ennen kuin poikkeavaa käyttäytymistä voidaan tunnistaa luotettavasti, on ymmärrettävä, miten laite käyttäytyy normaalissa toiminnassa.
Tämä voi tarkoittaa historiallisen datan analysointia ja laitteen toiminnan tarkastelua erilaisissa tuotanto-olosuhteissa, kuormituksilla, nopeuksilla, tuotetyypeillä tai toimintatiloissa.
Konteksti on tärkeä, sillä samalla mittausarvolla voi olla erilainen merkitys eri käyttöolosuhteissa. Esimerkiksi moottorin korkeampi lämpötila voi olla täysin normaalia silloin, kun kone toimii suuremmalla kuormituksella.
Sopivien normaalitasojen määrittäminen auttaa erottamaan todellisen kunnon heikkenemisen laitteen käyttäytymisen normaalista vaihtelusta.
5. Konfiguroi analytiikka, raja-arvot ja hälytykset
Kun laitteen normaali käyttäytyminen tunnetaan, voidaan määritellä, miten kehittyvät ongelmat tunnistetaan.
Joillekin laitteille yksinkertaiset raja-arvot ja trendien seuranta voivat olla riittäviä. Toiset käyttötapaukset voivat edellyttää tilastollista analyysiä, poikkeamien tunnistamista, koneoppimista tai malleja, jotka arvioivat useita muuttujia samanaikaisesti.
Hälytykset tulisi määritellä sellaisten tilanteiden ympärille, jotka edellyttävät käytännön kunnossapitotoimenpiteitä, eikä jokaisen vähäisen poikkeaman perusteella. Liian suuri määrä tarpeettomia hälytyksiä voi vaikeuttaa niiden ongelmien tunnistamista, jotka todella vaativat kunnossapitotiimin huomiota.
Tavoitteena on antaa riittävän aikainen varoitus, jotta tiimillä on aikaa selvittää tilanne ja reagoida siihen ilman, että käyttäjät kuormittuvat tarpeettomista ilmoituksista.
6. Yhdistä ennakoiva tieto kunnossapidon työnkulkuihin
Ennakoiva hälytys tuottaa arvoa vasta silloin, kun joku pystyy ymmärtämään sen ja tekemään tarvittavat toimenpiteet.
Siksi on määriteltävä, mitä mahdollisen ongelman havaitsemisen jälkeen tapahtuu. Tähän voi kuulua kyseisen laitteen tarkastelu, siihen liittyvän kuntodatan tarkistaminen, tarkastuksen tekeminen, työmääräimen luominen, varaosien valmistelu tai kunnossapidon aikatauluttaminen yhdessä tuotannon kanssa.
Ennakoiva tieto tulisi siis yhdistää olemassa oleviin kunnossapitoprosesseihin sen sijaan, että sitä käsiteltäisiin erillisenä analytiikkaprojektina.
Tarvittaessa digitaalinen kaksonen voi tarjota lisäkontekstia tuomalla laitteet, kuntodatan, hälytykset, kunnossapitotiedot ja muun operatiivisen tiedon samaan ympäristöön. Oppaamme digitaalisen kaksosen käyttöönotosta kertoo, miten olemassa olevat teollisuusjärjestelmät ja tietolähteet voidaan yhdistää ja jäsentää fyysisen tuotantoympäristön ympärille.
7. Validoi tulokset ja laajenna vaiheittain
Ennustavan kunnossapidon ensimmäisen käyttötapauksen tuloksia tulisi arvioida toteutuneiden kunnossapitotapahtumien perusteella.
Tiimien tulisi tarkastella, tunnistivatko hälytykset todellisia laiteongelmia, tulivatko varoitukset riittävän ajoissa ja auttoivatko niiden perusteella tehdyt kunnossapitotoimenpiteet vähentämään vikoja tai parantamaan kunnossapidon suunnittelua.
Väärien hälytysten, havaitsematta jääneiden ongelmien ja virheellisten oletusten perusteella tulisi kehittää raja-arvoja, malleja, datan laatua ja kunnossapidon työnkulkuja.
Kun toimintamalli tuottaa luotettavaa arvoa ensimmäisten laitteiden kohdalla, sitä voidaan laajentaa muihin koneisiin, tuotantolinjoihin tai tuotantolaitoksiin.
Tällainen vaiheittainen lähestymistapa mahdollistaa ennustavan kunnossapidon kehittämisen osoitetun operatiivisen arvon pohjalta sen sijaan, että toteutettaisiin laaja teknologian käyttöönotto ennen kuin kunnossapidon varsinaiset käyttötapaukset on validoitu.
Ennustavan kunnossapidon yleiset haasteet
Ennustava kunnossapito voi tuottaa merkittävää operatiivista arvoa, mutta onnistunut käyttöönotto vaatii muutakin kuin sensoreiden asentamista tai analytiikkaohjelmiston käyttöönottoa. Valmistavan teollisuuden yritykset tarvitsevat luotettavaa dataa, tarkoituksenmukaisen infrastruktuurin, selkeästi määritellyt kunnossapitoprosessit sekä osaavia ihmisiä, jotka pystyvät hyödyntämään tuotettua tietoa käytännössä.
Näiden haasteiden tunnistaminen jo varhaisessa vaiheessa auttaa välttämään tilanteita, joissa ennustavan kunnossapidon projekti tuottaa suuria määriä dataa parantamatta kuitenkaan varsinaisia kunnossapitopäätöksiä.
Heikko tai riittämätön data
Ennustava kunnossapito riippuu vahvasti saatavilla olevan datan laadusta ja olennaisuudesta.
Puuttuvat mittaukset, epäyhtenäiset sensorilukemat, virheelliset aikaleimat, riittämätön historiadata tai väärin konfiguroidut sensorit voivat vaikeuttaa laitteen normaalin käyttäytymisen määrittämistä ja merkityksellisten muutosten tunnistamista.
Suurempi datamäärä ei automaattisesti johda parempiin ennusteisiin. Tarvitaan dataa, joka on olennaista tunnistettavan vikaantumistavan kannalta ja riittävän luotettavaa kunnossapitopäätösten tueksi.
Data tarvitsee myös kontekstin. Värähtely- tai lämpötila-arvosta tulee huomattavasti hyödyllisempi, kun se voidaan yhdistää oikeaan koneeseen, komponenttiin, toimintatilaan, tuotantokuormitukseen ja historiallisiin kunnossapitotietoihin.
Vanhemmat laitteet ja tiedonsiirtoyhteydet
Monissa tuotantoympäristöissä on eri aikakausilta ja eri toimittajilta peräisin olevia laitteita. Uudemmat koneet voivat tuottaa kunto- ja operatiivista dataa suoraan, kun taas vanhempien laitteiden tiedonsiirtomahdollisuudet voivat olla rajallisia tai niissä ei välttämättä ole lainkaan sisäänrakennettuja sensoreita.
Tämä ei välttämättä estä ennustavan kunnossapidon käyttöönottoa, mutta se voi tehdä datan keräämisestä monimutkaisempaa.
Vanhempiin koneisiin voidaan joissakin tapauksissa asentaa lisäsensoreita tai ne voidaan yhdistää järjestelmiin yhdyskäytävien ja muiden teollisten rajapintojen avulla. Ennen laajoja jälkiasennuksia tulisi kuitenkin arvioida, mitä dataa todella tarvitaan.
Tavoitteena tulisi olla hyödyllisen kuntotiedon saaminen kriittisistä laitteista sen sijaan, että kaikki mahdolliset koneet yhdistettäisiin vain siksi, että se on teknisesti mahdollista.
Väärät hälytykset ja epäluotettavat ennusteet
Ennustavan kunnossapidon järjestelmä, joka tuottaa liikaa vääriä hälytyksiä, voi nopeasti menettää kunnossapitotiimien luottamuksen.
Normaalit muutokset tuotanto-olosuhteissa, laitteiden kuormituksessa, nopeuksissa, ympäristöolosuhteissa tai tuotetyypeissä voivat joskus näyttää poikkeamilta, jos analyyttisellä mallilla ei ole riittävästi operatiivista kontekstia.
Hälytykset täytyykin validoida laitteen todellisen käyttäytymisen ja kunnossapidossa tehtyjen havaintojen perusteella.
Raja-arvoja ja analyyttisiä malleja tulisi kehittää ajan mittaan niin, että ne tunnistavat merkitykselliset muutokset aiheuttamatta tarpeetonta työtä. Kunnossapitotiimit tarvitsevat myös riittävästi tietoa ymmärtääkseen, miksi hälytys syntyi ja mitä toimenpiteitä se mahdollisesti edellyttää.
Integrointi olemassa oleviin järjestelmiin
Ennustava kunnossapito toimii harvoin erillisenä järjestelmänä. Olennaista tietoa voi olla jo saatavilla koneissa, PLC-logiikoissa, SCADA-, EAM-, MES- ja ERP-järjestelmissä, tietokannoissa, historiatietokannoissa ja muissa teollisissa sovelluksissa.
Näiden tietojen yhdistäminen voi olla haastavaa, jos järjestelmät käyttävät erilaisia tietorakenteita, rajapintoja, laitetunnisteita tai terminologiaa.
Älykkään valmistuksen avulla voidaan muodostaa yhtenäisempi tiedonkulku laitteiden, teollisuusjärjestelmien sekä tuotannosta ja kunnossapidosta vastaavien ihmisten välille.
Integraatioiden tulisi viime kädessä tukea kunnossapidon työnkulkua. Kehittyvän vian tunnistamisesta on vain rajallisesti hyötyä, jos tietoa ei voida yhdistää kyseiseen laitteeseen, sen kunnossapitohistoriaan tai toimenpiteistä vastaaviin henkilöihin.
Osaaminen ja käyttöönotto organisaatiossa
Ennustava kunnossapito muuttaa tapaa, jolla kunnossapitopäätöksiä tehdään.
Kunnossapitotiimien täytyy ymmärtää, mitä kuntoindikaattorit ja ennakoivat hälytykset tarkoittavat. Samalla data- ja automaatioasiantuntijat tarvitsevat riittävän ymmärryksen laitteista ja niiden vikaantumistavoista voidakseen rakentaa hyödyllisiä analyyttisiä malleja.
Siksi kunnossapidon, tuotannon, automaation, IT:n ja data-asiantuntijoiden välinen yhteistyö on tärkeää.
Teknologian tulisi myös tukea olemassa olevia operatiivisia rooleja sen sijaan, että se lisäisi tarpeettomasti monimutkaisuutta. Jos käyttäjät eivät pysty helposti tulkitsemaan tietoa tai ymmärtämään, mitä heidän odotetaan tekevän, teknisesti tarkatkin ennusteet voivat tuottaa vain rajallista käytännön arvoa.
Laajentaminen pilottivaiheen jälkeen
Ennustavan kunnossapidon pilotti voi toimia hyvin pienellä määrällä koneita, mutta sen hallinta voi muuttua huomattavasti haastavammaksi, kun ratkaisu laajennetaan tuotantolinjoihin, tuotantolaitoksiin tai useisiin toimipaikkoihin.
Eri koneet voivat vaatia erilaisia mittauksia, raja-arvoja, vikamalleja, integraatioita ja kunnossapidon työnkulkuja. Jokaisen uuden käyttötapauksen rakentaminen alusta lähtien voi tehdä laajentamisesta kallista ja vaikeuttaa ratkaisun ylläpitoa.
Siksi skaalautuvuus kannattaa huomioida alusta lähtien hyödyntämällä yhtenäisiä laiterakenteita, uudelleenkäytettäviä integraatiomenetelmiä, mahdollisuuksien mukaan standardoitua dataa sekä selkeästi määriteltyjä kunnossapitoprosesseja.
Tavoitteena ei ole ainoastaan osoittaa, että yhden koneen vikaantuminen voidaan ennustaa. Onnistuneen ennustavan kunnossapidon strategian tulisi muodostaa toistettava toimintamalli, jota voidaan vaiheittain laajentaa muihin kriittisiin laitteisiin silloin, kun liiketoiminnallinen ja operatiivinen arvo perustelee sen.
Miten digitaaliset kaksoset tukevat ennustavaa kunnossapitoa?
Ennustava kunnossapito voi tuottaa suuria määriä tietoa: sensorimittauksia, laitteiden kuntotietoja, poikkeamia, hälytyksiä, kunnossapitohistoriaa, työmääräimiä ja ennusteita. Yksi haasteista on tehdä tästä tiedosta ymmärrettävää ja hyödyllistä laitteiden kunnossapidosta vastaaville henkilöille.
Digitaalinen kaksonen voi tukea ennustavaa kunnossapitoa yhdistämällä nämä tiedot fyysisten laitteiden ja tuotantoympäristön digitaaliseen esitykseen.
Kuntodatan yhdistäminen fyysiseen laitteeseen
Sensori- ja konedatasta tulee hyödyllisempää, kun käyttäjät ymmärtävät välittömästi, mihin laitteeseen, komponenttiin tai tuotantoalueeseen tieto liittyy.
Digitaalinen kaksonen voi yhdistää kuntomittaukset, operatiivisen datan, kunnossapitotiedot ja hälytykset niitä vastaaviin laitteisiin visuaalisessa ympäristössä.
Sen sijaan, että kunnossapidon käyttäjä saisi esimerkiksi yksittäisen hälytyksen värähtelyn kasvusta, hän voi tunnistaa kyseisen koneen, paikantaa sen tuotantoympäristössä ja tarkastella siihen liittyviä kunto- ja operatiivisia tietoja.
Tämä tarjoaa kontekstin, joka helpottaa ennustavan kunnossapidon tiedon tulkintaa.
Eri järjestelmistä saatavan tiedon yhdistäminen
Ennustavan kunnossapidon kannalta olennainen tieto on usein hajautunut useisiin järjestelmiin.
Kuntodata voi tulla sensoreista tai automaatiojärjestelmistä, tuotantotieto MES-järjestelmästä, kunnossapitohistoria EAM- tai CMMS-järjestelmästä ja muut laitetiedot tietokannoista tai muista yritysjärjestelmistä.
Digitaalinen kaksonen voi tarjota yhteisen ympäristön, jossa näistä lähteistä saatava tieto yhdistetään sitä vastaaviin laitteisiin ja prosesseihin.
Tämä ei tarkoita olemassa olevien järjestelmien korvaamista. Digitaalinen kaksonen voi sen sijaan toimia kerroksena, jonka kautta käyttäjät pääsevät käsiksi eri lähteiden olennaisiin tietoihin yhtenäisemmässä operatiivisessa kontekstissa.
Poikkeamien ja kunnossapitotarpeiden visualisointi
Ennustavan kunnossapidon hälytykset johtavat helpommin käytännön toimenpiteisiin, kun käyttäjät pystyvät nopeasti ymmärtämään, missä ongelma ilmenee ja mihin laitteeseen se liittyy.
Havaitut poikkeamat, kuntoindikaattorit, kunnossapitotarpeet ja muut olennaiset tiedot voidaan visualisoida suhteessa fyysiseen tuotantoympäristöön.
Kunnossapitotiimit voivat tällöin siirtyä tehtaan tai tuotantolinjan yleisnäkymästä suoraan kyseiseen laitteeseen ja tarkastella kehittyvän ongelman kannalta olennaisia tietoja.
Tämä voi olla erityisen hyödyllistä monimutkaisissa tuotantoympäristöissä, joissa on seurattava suurta määrää koneita ja datapisteitä.
Nykyisen kuntotiedon yhdistäminen historiatietoon
Laiteongelman ymmärtäminen vaatii usein muutakin kuin tiedon laitteen tämänhetkisestä kunnosta.
Historialliset mittaukset voivat osoittaa, miten värähtely, lämpötila, paine, energiankulutus tai muu parametri on muuttunut ajan mittaan. Kunnossapitotiedot voivat puolestaan tarjota lisätietoa aiemmista vioista, tarkastuksista, korjauksista ja vaihdetuista komponenteista.
Digitaalinen kaksonen voi tuoda nykyiset ja historialliset tiedot samaan laitekontekstiin, jolloin käyttäjät voivat selvittää, miten laitteen kunto on kehittynyt ja onko vastaavaa käyttäytymistä esiintynyt aiemmin.
Tämä tukee paremmin perusteltuja kunnossapitopäätöksiä ja voi samalla tarjota hyödyllistä palautetta ennustemallien ja hälytysten raja-arvojen kehittämiseen.
Kunnossapitopäätösten tukeminen
Digitaalinen kaksonen ei korvaa ennustavaa analytiikkaa eikä tee kunnossapitopäätöksiä automaattisesti. Sen tehtävänä on tehdä analytiikan tuottamasta tiedosta helpommin ymmärrettävää ja hyödynnettävää.
Kun mahdollinen ongelma tunnistetaan, kunnossapitotiimit voivat digitaalisen kaksosen avulla tarkastella kyseistä laitetta, tutkia olennaisia kunto- ja historiatietoja, ymmärtää laitteen sijainnin ja operatiivisen kontekstin sekä arvioida tarvittavia toimenpiteitä.
Näin digitaalinen kaksonen auttaa yhdistämään ennustavan kunnossapidon analyyttisen puolen fyysisiin laitteisiin ja niiden kunnossapidosta vastaaviin ihmisiin.
Tätä lähestymistapaa harkitseville valmistavan teollisuuden yrityksille ymmärrys siitä, mikä digitaalinen kaksonen on ja miten se yhdistää fyysiset laitteet operatiiviseen dataan, tarjoaa hyödyllisen perustan sen arvioimiseen, missä digitaalisen kaksosen teknologia voi tuoda lisäarvoa ennustavan kunnossapidon strategiaan.
Ennustava kunnossapito Process Geniuksen avulla
Ennustava kunnossapito edellyttää usein tietoa useista eri lähteistä. Laitteiden kuntotietoa voidaan saada sensoreista ja automaatiojärjestelmistä, kunnossapitotietoa EAM- tai CMMS-järjestelmistä ja tuotantodataa MES-, ERP- tai muista operatiivisista järjestelmistä.
Genius Core™ auttaa kokoamaan tämän hajautuneen tiedon yhteen visuaaliseen 3D-digitaalisen kaksosen ympäristöön.
Sen sijaan, että kunnossapito- ja tuotantotiimien pitäisi etsiä tietoa useista eri järjestelmistä, olennainen laitedata, kunnossapitotiedot, hälytykset ja operatiivinen tieto voidaan yhdistää niitä vastaaviin laitteisiin ja tuotantoympäristöön.
Genius Core™ voi tukea ennustavaa kunnossapitoa auttamalla valmistajia:
- tuomaan laite-, kunnossapito- ja tuotantodatan yhteiseen operatiiviseen näkymään;
- seuraamaan laitteiden kuntoa ja olennaista operatiivista tietoa reaaliajassa;
- visualisoimaan hälytykset ja kunnossapitotarpeet niitä vastaavien laitteiden kontekstissa;
- tarkastelemaan historiallista ja ajantasaista tietoa kehittyvien ongelmien selvittämisessä;
- tarjoamaan eri käyttäjille heidän vastuualueidensa kannalta olennaiset tiedot; ja
- yhdistämään olemassa olevat teollisuus- ja yritysjärjestelmät ilman niiden korvaamista.
Genius Core™ voi siten toimia visuaalisena ja kontekstuaalisena kerroksena teollisen datan ja sitä työssään tarvitsevien ihmisten välillä.
Kun laitedata esimerkiksi osoittaa poikkeavaa käyttäytymistä, käyttäjät voivat paikantaa kyseisen laitteen digitaalisessa kaksosessa, tarkastella siihen liittyviä tietoja ja arvioida, millaisia lisäselvityksiä tai kunnossapitotoimenpiteitä tarvitaan. Kunnossapitotieto voidaan pitää yhdistettynä fyysiseen laitteeseen sen sijaan, että se olisi saatavilla ainoastaan erillisten järjestelmien tietueina.
Alustaa voidaan myös laajentaa vaiheittain. Valmistajat voivat aloittaa valituista laitteista, järjestelmistä tai kunnossapidon käyttötapauksista ja laajentaa digitaalista kaksosta sitä mukaa, kun uusia laitteita ja tietolähteitä yhdistetään.
Tätä lähestymistapaa hyödynnetään jo todellisissa teollisuusympäristöissä. Kuten edellä kuvatuista esimerkeistä käy ilmi, Process Geniuksen asiakkaat ovat hyödyntäneet Genius Core™ -alustaa laitteiden kunnonvalvonnassa, kunnossapidon hallinnassa, tuotannon näkyvyyden parantamisessa ja ennustavan kunnossapidon käyttötapauksissa.
Lue lisää Genius Core™ 3D Digital Twin -alustasta ja siitä, miten sen avulla teollinen data voidaan yhdistää fyysiseen tuotantoympäristöön.
UKK
Mitä ennustava kunnossapito tarkoittaa?
Ennustava kunnossapito on kunnossapitostrategia, jossa hyödynnetään laitteiden kuntoa kuvaavaa dataa, operatiivista dataa, historiatietoa ja analyyttisiä menetelmiä kehittyvien ongelmien tunnistamiseen ja kunnossapitotarpeen ennakointiin.
Sen sijaan, että laitteita huollettaisiin ainoastaan kiinteän aikataulun mukaisesti tai odotettaisiin niiden vikaantumista, ennustava kunnossapito auttaa valmistajia suunnittelemaan toimenpiteitä laitteen todellisen ja ennakoidun kunnon perusteella.
Mitä eroa on ennustavalla ja ehkäisevällä kunnossapidolla?
Ehkäisevä kunnossapito tehdään yleensä ennalta määritellyin väliajoin esimerkiksi ajan, käyttötuntien tai tuotantosyklien perusteella. Ennustavassa kunnossapidossa hyödynnetään laitteen kuntoa ja toimintaa kuvaavaa dataa sen arvioimiseksi, milloin kunnossapitoa todennäköisesti tarvitaan.
Näin ennustava kunnossapito voi auttaa välttämään sekä tarpeettoman aikaisin tehtäviä kunnossapitotoimenpiteitä että tilanteita, joissa kehittyvän ongelman annetaan edetä vikaantumiseen asti.
Mitä eroa on ennustavalla ja kuntoon perustuvalla kunnossapidolla?
Kuntoon perustuvassa kunnossapidossa kunnossapitotoimenpide käynnistetään laitteen senhetkisen kunnon perusteella. Kunnossapitoa voidaan esimerkiksi tarvita silloin, kun värähtely tai lämpötila ylittää määritellyn raja-arvon.
Ennustava kunnossapito menee tätä pidemmälle analysoimalla nykyistä ja historiallista dataa sen arvioimiseksi, miten laitteen kunto kehittyy ja milloin toimenpiteitä mahdollisesti tarvitaan. Näin kunnossapitotiimeille jää enemmän aikaa suunnitella tarvittavat toimenpiteet.
Mitä dataa ennustavaan kunnossapitoon tarvitaan?
Tarvittava data riippuu laitteesta ja seurattavasta vikaantumistavasta.
Yleisesti käytettyä dataa ovat esimerkiksi värähtely, lämpötila, paine, virtaus, sähkövirta, energiankulutus, käyttötunnit, koneen toimintatilat, hälytykset, vikakoodit ja kunnossapitohistoria.
Kaikkea mahdollista mittausdataa ei tarvitse kerätä. Tärkeintä on tunnistaa luotettava data, joka antaa merkityksellistä tietoa laitteen kunnosta ja käyttäytymisestä.
Tarvitaanko ennustavaan kunnossapitoon tekoälyä?
Ei. Ennustavassa kunnossapidossa voidaan hyödyntää tekoälyä ja koneoppimista, mutta niitä ei tarvita kaikissa käyttötapauksissa.
Jotkin kunnossapito-ongelmat voidaan tunnistaa tehokkaasti trendianalyysin, tilastollisten menetelmien, raja-arvojen tai erilaisten kuntoindikaattorien yhdistelmien avulla. Tekoäly ja koneoppiminen ovat erityisen hyödyllisiä silloin, kun suurista datamääristä tai useiden toisiinsa vaikuttavien muuttujien joukosta täytyy tunnistaa monimutkaisia käyttäytymismalleja. Kehittynyt analytiikka ja koneoppiminen ovat yleisiä ennustavan kunnossapidon menetelmiä, mutta sopiva lähestymistapa riippuu käyttötapauksesta ja saatavilla olevasta datasta.
Millaisille laitteille ennustavaa kunnossapitoa voidaan käyttää?
Ennustavaa kunnossapitoa voidaan hyödyntää monenlaisissa tuotantolaitteissa, kuten moottoreissa, laakereissa, pumpuissa, kompressoreissa, kuljettimissa, tuotantokoneissa, roboteissa, hydraulijärjestelmissä ja prosessilaitteissa.
Parhaita kohteita ovat yleensä laitteet, joiden kehittyvät ongelmat voidaan havaita saatavilla olevan datan avulla ja joiden odottamattomalla vikaantumisella olisi merkittäviä operatiivisia tai taloudellisia vaikutuksia.
Voidaanko ennustavaa kunnossapitoa käyttää vanhemmille laitteille?
Kyllä. Vanhemmissa laitteissa ei välttämättä tarvitse olla valmiita tiedonsiirtoyhteyksiä, jotta ne voidaan ottaa mukaan ennustavan kunnossapidon piiriin.
Käyttötapauksesta riippuen olennaista kuntotietoa voidaan kerätä lisäämällä ulkoisia sensoreita, yhdyskäytäviä tai muita tiedonkeruumenetelmiä. Ennen laitteiden jälkiasennuksia on kuitenkin tärkeää määrittää, mitä mittauksia seurattavan vikaantumistavan tunnistamiseen todella tarvitaan.
Miten ennustavan kunnossapidon käyttöönotto aloitetaan?
Käytännöllinen lähtökohta on valita pieni määrä kriittisiä laitteita ja määritellä selkeästi ne viat tai kunnossapito-ongelmat, joihin halutaan puuttua.
Tämän jälkeen voidaan tunnistaa tarvittava data, yhdistää olemassa olevat tietolähteet, lisätä tarvittaessa sensoreita, määritellä normaalit käyttöolosuhteet, konfiguroida sopiva analytiikka ja hälytykset sekä yhdistää tuotettu tieto kunnossapidon työnkulkuihin.
Kun ensimmäisen käyttötapauksen toimivuus on validoitu todellisten kunnossapitotulosten perusteella, toimintamallia voidaan laajentaa vaiheittain muihin laitteisiin.
