Jednym z wyróżników czwartej rewolucji przemysłowej jest predykcyjne utrzymanie ruchu. Wiele firm oferuje cudowne rozwiązania, które mają znacząco poprawić czas nieplanowanych zatrzymań poprzez redukcję liczby awarii. Sama idea prezentowana przez oferentów takich rozwiązań brzmi wspaniale, jednak diabeł jak zwykle tkwi w szczegółach…
Predykcja awarii jest zadaniem optymalizacyjnym polegającym na wczesnym ostrzeganiu o możliwości wystąpienia awarii danego elementu maszyny w określonym czasie. Występują zasadniczo dwie metody przewidywania awarii – predykcja bazująca na zbiorze reguł oraz predykcja bazująca na modelu matematycznym.
Przy okazji spotkań z różnymi firmami oferującymi rozwiązania związane z predykcją awarii usłyszałem niejednokrotnie, że „ich cudowne oprogramowanie przewidzi przynajmniej 80% awarii”. Zdanie takie nie może być prawdą – większość awarii w rzeczywistości nie jest możliwa do przewidzenia! Do tej kategorii zaliczyć możemy np. przetarcia przewodów, poluzowane połączenia przewodów niskonapięciowych, sklejone styki styczników, nagłe uderzenie mechaniczne elementów zewnętrznych (lub ogólnie mówiąc całe niemierzalne środowisko zewnętrzne) itp. Drugim problemem jest dostarczenie odpowiednich dla diagnostyki danych o poziomach wibracji, temperatur, napięć, prądów itp. Dodawanie kolejnych czujników stanowi oczywiście znaczący koszt znacząco przewyższający potencjalne korzyści płynące z uniknięcia awarii.
Drugą informacją skrzętnie ukrywaną przez producentów jest proces dostrajania systemu predykcji. Według materiałów reklamowych system „wyciągnięty z pudełka” powie nam, że „silnik M12 zepsuje się za 12 dni, 15h i 22 minuty”. W rzeczywistości jednak aby uzyskać nawet przybliżone informacje o czasie awarii konieczne jest korzystanie z modeli uczenia maszynowego, które mogą przewidzieć jedynie sytuacje, które zostały wcześniej zaobserwowane i opisane. Upraszczając – aby uzyskać informację o awarii musimy najpierw świadomie do kilku awarii doprowadzić. Tu pojawia się kolejne „ale” – jeśli dany element psuje się wielokrotnie to zamiast ciągłej wymiany należy raczej zastosować zmiany konstrukcyjne, które wyeliminują przyczynę a nie objaw. Zmiana fizyczna powoduje jednak… nieprzydatność danych historycznych w celu monitorowania (zmiana obiektu oznacza, że doczasowy model nie odpowiada rzeczywistości). W sytuacji ciągłej zmienności użytkowanych maszyn oraz produkowanych detali predykcja awarii przypomina często bardziej „wróżenie z kuli” niż działanie na modelu matematycznym
Dla PdM opartego na regułach problemem jest samo zbudowanie bazy reguł. Jeśli nie mamy konkretnych zmierzonych danych historycznych to nie wiemy jak budować reguły i gdzie ustanawiać ich poziomy alarmowe.
Kolejny problem stanowi pewność działania samego modelu. Załóżmy, że nasz PdM informuje nas co 3 miesiące, że silnik nadaje się do wymiany. W rzeczywistości żywotności silnika jest dwukrotnie dłuższa. Innymi słowy w ciągu roku „skonsumowaliśmy” niepotrzebnie 2 dodatkowe silniki.
Ostatni kluczowy problem stanowi odwrotność zaprezentowanego wcześniej – system mówi, że silnik będzie działał jeszcze 3 miesiące, a uszkadza się po 2 dniach. Działanie systemu usypia czujność specjalistów i awaria stanowi większe zagrożenie niż w działaniu prewencyjnym.
Są oczywiście przykłady celnych zastosowań PdM. Decydując się jednak na rozwiązania tej klasy należy koniecznie wziąć pod uwagę opisane wyżej zagrożenia i wady działania predykcyjnego.
Autor: Maciej Gniadek
