Zwiększ niezawodność, planując i integrując analizę danych przy użyciu Big Data, które już są gromadzone podczas operacji konserwacyjnych. Oto pięć kroków do wdrożenia analizy danych w operacjach konserwacyjnych.
Organizacje przemysłowe korzystają z analizy danych, trendów, wykresów i innych technik wizualizacji od czasu, gdy ludzie zaczęli rejestrować odczyty z maszyn. Podczas gdy analiza danych nadal jest nieodłączną częścią, nie wszyscy kierownicy ds. konserwacji w pełni doceniają, czym ona jest, jak wpływa na działania operacyjne i w jaki sposób ukształtuje Przemysł 4.0.
Czym jest analiza danych w obszarze konserwacji?
Analiza danych to analiza surowych danych w celu podejmowania świadomych decyzji. To wszystko. Obecna technologia wykonuje to od dziesięcioleci. To, co się teraz zmienia, to ilość gromadzonych danych i to, kto lub “co” w tym przypadku przeprowadza analizę.
Historycznie to technicy gromadzili dane, a menedżerowie lub eksperci analizowali te dane i wyciągali wnioski. Te dwie czynności są coraz bardziej zdigitalizowane przy każdej iteracji nowoczesnych technologii i oprogramowania.
Analiza danych jest nie tylko ważna dzisiaj dla konserwacji, ale także kluczowa dla przyszłości. Następną ewolucją w strategii konserwacji będzie wykorzystanie analizy predykcyjnej, w ramach której oprogramowanie zbiera i analizuje dane oraz oferuje rekomendacje dotyczące zadań konserwacyjnych, które w przeciwnym razie mogłyby nie być wykonywane. W świecie “konserwacji predykcyjnej” zaawansowane oprogramowanie sztucznej inteligencji (AI) i uczenia maszynowego (ML) pomoże decydować, jakie działania podjąć i kiedy.
Niewielu ma rzeczywiste oprogramowanie AI do konserwacji w praktycznych celach. Wiele firm ściga się, aby to osiągnąć.
Jednak w większości przemysłowych hal produkcyjnych to nadal mrzonka. Operacje często opierają się na manualnych odczytach danych, podczas gdy nieliczni zaawansowani korzystają z bezprzewodowych czujników i patrzą w przyszłość, w stronę bardziej zautomatyzowanego środowiska.
Manualna analiza danych w porównaniu z automatyczną analizą danych
Manualna analiza danych to wiele zabawy z danymi i patrzenie na faliste linie. Wiele operacji przemysłowych oferuje usługi analizy danych, ułatwiając zarządzającym pracę, czyli przeglądanie danych, weryfikację źródła i określanie, które dane wymagają ekspertycznej analizy.
Niezależnie od tego, czy posiadasz wewnętrzną wiedzę do manualnej analizy danych, czy wolisz korzystać z zaawansowanej automatycznej analizy, podstawą tego wszystkiego są duże ilości danych generowanych przez czujniki monitorujące stan i sterowanie.
Big Data i analiza danych w przemyśle
Big Data to duży lub złożony zbiór danych. W świecie konserwacji obejmuje to pomiary przemysłowe, dane operacyjne i odczyty z bezprzewodowych czujników. Jednak gromadzenie i przechowywanie wszystkich tych danych nie jest celem samym w sobie. Informacje muszą zostać wyodrębnione i wykorzystane w celu zastosowania.
Analiza danych jest kluczem do uzyskiwania informacji z Big Data. Eksperci-analitycy są w stanie wyodrębnić znaczenie z pozornie niezrozumiałego ciągu wartości i kodów. W miarę jak Przemysł 4.0 dalej rewolucjonizuje operacje konserwacji i naprawy, ta analiza przekształci się w inteligentne możliwości oprogramowania – początki tego procesu są już obecne.
Podczas gdy analiza danych AI jest nadal przyszłością dla wielu osób, obecne systemy oprogramowania konserwacyjnego wykorzystują coraz więcej danych, aby pomagać zespołom konserwacji i wspomagać łatwo automatyzowane zadania.
Technologia przemysłowa i analiza danych
Źródłami danych przemysłowych są między innymi dane kontrolne operacji, takie jak nadzór nad sterowaniem i gromadzenie danych (SCADA), systemy programowalnych sterowników logicznych (PLC), systemy zarządzania budynkiem, zintegrowane lub zewnętrzne czujniki, technicy korzystający z podłączonych narzędzi i wiele innych. Wraz z rosnącym wykorzystaniem czujników IIoT na zasobach, Big Data pochodzi z większej liczby źródeł niż kiedykolwiek wcześniej. Narzędzia termograficzne mogą również służyć do odczytywania danych z wielu zasobów. Czujniki wibracyjne prowadzą ciągłe monitorowanie stanu i są w stanie wykryć problemy, takie jak wyrównane wały silnika. Dane z narzędzia przenośnego używanego przez technika mogą być natychmiast przesłane do chmury. Oprogramowanie może wyciągać wnioski z połączonych źródeł danych, tworząc całościowy obraz.
Analiza danych przemysłowych
Niedawno komercyjny producent sera świętował zakończenie inwestycji o wartości wielu milionów dolarów, zwiększając zdolność produkcyjną o 25%. Wraz z nowym sprzętem, zarząd wiedział, że będą musieli monitorować zasoby w celu zapewnienia czasu pracy.
Procesowy inżynier ds. użytkowania firmy powiedział, że zespół wiedział, że muszą utrzymywać przepływ produktu w zakładzie. Chcieli również natychmiast dowiedzieć się o ewentualnych problemach z urządzeniem.
Wykorzystali bezprzewodowe czujniki wibracyjne do przesyłania ciągłych odczytów do chmury i oprogramowania analizującego w celu monitorowania wibracji pod kątem najczęstszych usterek. Dane te dostarczają stabilnych informacji dla zespołu konserwacji, takich jak stan zasobu, informacje o zdarzeniach, ostrzeżenia i wiele innych.
Pięć kroków do wdrożenia analizy danych w operacjach konserwacyjnych
Droga do przyszłości wzbogaconej analizą danych nie jest taka sama dla wszystkich. Niektóre firmy już mają wdrożoną konserwację ukierunkowaną na niezawodność (RCM). Inne dopiero rozpoczynają swoją drogę w zakresie niezawodności i muszą opanować podstawy przed zagłębianiem się w Przemysł 4.0. Niemniej jednak, każdy może skorzystać z tych kroków, niezależnie od miejsca, w którym się znajduje na tej drodze.
Krok 1: Przeprowadź analizę krytyczności zasobów
Ten manualny proces analizy pomaga zespołom w ustaleniu hierarchii znaczenia stanu i konserwacji zasobów. Zespoły oceniają każdy zasób pod kątem jego wykorzystania w organizacji, a niekoniecznie według standardowego zastosowania w branży, a także wpływu biznesowego w przypadku awarii.
Analiza krytyczności zasobów informuje również zespoły, które zasoby są idealnymi kandydatami do monitorowania stanu i przesiewania, dostarczając źródeł danych dla analizy.
Krok 2: Zaplanuj program pilotażowy
Tak jak w przypadku większości wdrożeń technologii lub zmian procesowych, warto zacząć od małego zestawu zasobów, aby uzyskać wgląd. Podczas analizy krytyczności zasobów, zostaną zidentyfikowane urządzenia kluczowe dla codziennych operacji. Rozpocznij monitorowanie stanu tych bardziej krytycznych zasobów, generując wymagane składniki do analizy danych (manualnej lub automatycznej).
Krok 3: Uruchom program
Uruchomienie programu to nie jednorazowe działanie: plan będzie udoskonalany podczas wdrożenia, aby dopasować go do potrzeb konserwacji i operacyjnych. Jeśli jakiś proces lub automatyzacja nie działa poprawnie, ulepsz go i zbierz więcej danych. Nie zniechęcaj się również. Zbyt wiele organizacji rezygnuje z programu pilotażowego, ponieważ nie dostarcza im tego, czego oczekiwali. Zamiast tego, myśl jak Korpus Piechoty Morskiej – improwizuj, przystosowuj się i pokonuj trudności.
Krok 4: Przedstaw wyniki kierownictwu
Rozpoczęcie programu pilotażowego to nie koniec. Posiadając dane w ręku, użytkownicy mogą udowodnić potrzebę dalszego rozszerzenia programu przed kierownictwem. Mogą również mieć sugestie oparte na wieloletnim doświadczeniu w zarządzaniu biznesem i zmianach procesowych. Udowodnij im, że program jest solidny i możliwy do rozszerzenia na podstawie danych.
Krok 5: Rozwijaj program analizy danych
Po uzyskaniu aprobaty projektu od kierownictwa, powróć do analizy krytyczności zasobów, aby określić obszary, w których można rozszerzyć program monitorowania stanu. Rozwój może dotyczyć tego samego zakładu, różnych zakładów lub nawet różnych krajów.
Przydatne może być również doskonalenie istniejących konfiguracji w celu uzyskania lepszych danych.
Rozwój programu analizy danych oznacza również testowanie nowych źródeł danych przemysłowych. Czujniki, narzędzia przenośne, zintegrowane systemy SCADA i PLC oraz inne zasoby można połączyć, poprawiając analizę danych w procesie. Podczas gdy monitorowanie wibracji jest doskonałym punktem wyjścia dla nowych programów, termowizja, analiza oleju i inne zasoby oparte na konserwacji warunkowej (CBM) również są przydatne.
Analiza danych i przyszłość przemysłowej sztucznej inteligencji
Wymienione wyżej zasady prowadzą do jakościowej analizy danych i stanowią fundament przyszłej technologii i oprogramowania. Są również częścią programu zarządzania niezawodnością (RCM). Rozwiązania powinny być zintegrowane z chmurą, wprowadzając tym samym Przemysł 4.0 do działań.
Teraz jest odpowiedni moment, aby położyć podwaliny pod analizę danych dla nadchodzącej ery sztucznej inteligencji (AI/ML). Ci, którzy osiągają swoje cele w dziedzinie analizy danych dziś, będą mieć wszystko, czego potrzebują, aby zintegrować nową technologię, gdy będzie dostępna.
Aaron Merkin jest głównym dyrektorem technicznym (CTO) w Fluke Reliability Solutions.