Inteligentne czujniki oraz algorytmy uczenia maszynowego wykrywają anomalie w funkcjonowaniu oraz stanie technicznym maszyn pracujących w przemyśle. W miarę jak algorytmy te stają się lepiej wytrenowane, oprogramowanie wspomagające utrzymanie ruchu potrafi dokładnie przewidzieć, kiedy sterowane przez układy automatyki maszyny mogą ulec awarii. Powoduje to wydłużenie czasu eksploatacji maszyn i w konsekwencji stratę zysków przez ich producentów. Jednak nowe modele biznesowe, takie jak „maszyna jako usługa” (MaaS), mogą pomóc zarówno producentom maszyn w rekompensacie tych utraconych zysków, jak i ich klientom – firmom przemysłowym w przezwyciężeniu powolnej adaptacji różnych technologii predykcyjnego utrzymania ruchu.
Konflikt interesów pomiędzy producentem a konsumentem istniał od zawsze. Wraz ze stosowaniem predykcyjnego utrzymania ruchu pojawił się też w specyficznej postaci w przemyśle. Firmy wytwarzające maszyny i sprzęt produkcyjny uzyskują dochody, gdy maszyny te, zainstalowane w zakładach klientów, ulegają awariom i muszą być naprawione lub wymienione na nowe. Natomiast użytkownicy tych maszyn i sprzętu przemysłowego są zainteresowani tym, aby czas eksploatacji tych maszyn i sprzętu był jak najdłuższy, zaś linie produkcyjne nie doświadczały nieplanowanych przestojów. W obecnej sytuacji, gdy maszyny na skutek stosowania predykcyjnego utrzymania ruchu działają dłużej, ich producenci OEM tracą zyski.
Jak więc producenci maszyn i sprzętu przemysłowego utrzymują zyskowność swoich firm w sytuacji, gdy wprowadzane technologie predykcyjnego utrzymania ruchu ograniczają przychody uzyskiwane z dostarczania nowych maszyn oraz serwisowania istniejących?
Czujniki, monitorowanie stanu technicznego sprzętu oraz oprogramowanie wykorzystywane w predykcyjnym utrzymaniu ruchu
Technologie konserwacji prognozowanej, stosowanej w predykcyjnym utrzymaniu ruchu, wykorzystują produkty automatyki przemysłowej: inteligentne czujniki (drgań, temperatury oraz inne), przenośne urządzenia monitorujące, oprogramowanie dedykowane dla utrzymania ruchu oraz bramy sieciowe, dedykowane dla funkcji związanych z utrzymaniem ruchu. Sprzęt automatyki przemysłowej mierzy wydajność sprzętu poprzez zbieranie danych pomiarowych, takich jak z inteligentnych czujników drgań i temperatury, zainstalowanych na maszynach. Następnie dedykowane oprogramowanie wykorzystuje algorytmy uczenia maszynowego do wykrywania anomalii na podstawie tych odczytów. W miarę upływu czasu, gdy algorytmy te stają się lepiej wytrenowane na podstawie danych otrzymywanych z czujników temperatury i drgań, oprogramowanie potrafi lepiej przewidzieć ryzyko awarii jakiegoś urządzenia przemysłowego.
Inteligentne czujniki umożliwiają stosowanie predykcyjnego utrzymania ruchu w zakładach przemysłowych
Co prawda koncepcja monitorowania stanu technicznego maszyn i urządzeń jest już wdrażana od jakiegoś czasu, jednak rynek bardziej zaawansowanych produktów do konserwacji prognozowanej jest nadal bardzo młody. Inteligentne czujniki, które umożliwiają rozpowszechnianie się konserwacji prognozowanej, stały się głównym nurtem w automatyce przemysłowej w 2016 roku, gdy firma ABB pokazała na targach w Hanowerze swój ABB Ability Smart Sensor. Wśród osób obecnych na prezentacji byli: prezydent USA Barack Obama oraz kanclerz Niemiec Angela Merkel.
Większość rozwiązań dla predykcyjnego utrzymania ruchu jest sprzedawana z ceną podaną za jednostkę. Dostawcy typowo obciążają klientów opłatą roczną lub miesięczną za jeden czujnik. W ramach tej opłaty klient uzyskuje dostęp do dedykowanego oprogramowania, wykorzystywanego do analizy danych z czujnika. Jak pokazuje rysunek poniżej, ta strategia cenowa będzie nadal się rozrastać, jednak bezpośrednio nie rozwiązuje ona konfliktu pomiędzy producentami maszyn przemysłowych a ich klientami.

Model sprzedaży „maszyna jako usługa” poprawia także wydajność maszyn pracujących w zakładzie przemysłowym
Zmiany w wykorzystywaniu opisywanych technologii mogą rozwiązać konflikt interesów pomiędzy producentem maszyn a ich użytkownikiem. Takie podejście będzie jednym z głównych trendów w przyszłych wdrożeniach technologii predykcyjnego utrzymania ruchu.
Koncepcja ta jest określana mianem „maszyna jako usługa” (machine as a service – MaaS). Wykorzystuje ona model „oprogramowanie jako usługa” (SaaS), jednak modyfikuje metody ustalania cen i stosuje je w odniesieniu do maszyn. Producent maszyny zamiast cen za subskrypcję roczną podaje ceny w oparciu o wydajność tej maszyny, pracującej u klienta. Docelowe kluczowe wskaźniki wydajności (KPI) są uzgadniane pomiędzy klientem a producentem/dostawcą, zaś cena kontraktu jest określana na podstawie zakresu uzyskiwanych wskaźników.
Na przykład firma Pearson Packaging oferuje w tym modelu różne typy maszyn pakujących. Zamiast bezpośredniej sprzedaży tych maszyn, firma Pearson tylko je wynajmuje klientom. Zatrzymując prawa własności do maszyny, firma ta obciąża klienta opłatami na podstawie liczby zmontowanych przez niego opakowań – paletyzowanych, złożonych z kartonu czy szczelnie zamkniętych. Przy zastosowaniu takiego podejścia producent maszyny jest motywowany do utrzymywania jej jak najdłużej w stanie sprawności oraz maksymalnego ograniczania jej przestojów – są to dwa obszary, na które ma bezpośredni wpływ technologia konserwacji prognozowanej.
Jedną z przeszkód na drodze do adaptacji predykcyjnego utrzymania ruchu jest własność danych przemysłowych. Jednak model MaaS pomaga rozwiązać ten problem. Własność danych jest jednym z podstawowych tematów rozmów pomiędzy producentami rozwiązań konserwacji prognozowanej a producentami automatyki przemysłowej lub producentami OEM maszyn i sprzętu.
Badania pokazują, że producenci są konserwatywni, jeśli chodzi o udostępnianie danych operacyjnych swoich fabryk, ponieważ obawiają się, że dane te mogą zostać wykorzystane przez strony trzecie w celu wywnioskowania tajemnic handlowych lub informacji operacyjnych, które nie są dostępne publicznie. Firmy produkcyjne w Europie są chyba najbardziej uczulone na punkcie udostępniania danych. W następnej kolejności znajdują sią firmy z USA. Najmniej o swoje dane obawiają się natomiast firmy z rejonu Azji i Pacyfiku (APAC).
Dostawcy produktów dla konserwacji prognozowanej często bezpośrednio komercjalizują dane, wykorzystując je do zwiększania możliwości tych produktów (im więcej danych, tym lepiej wytrenowane algorytmy uczenia maszynowego).
Jednak istnieją obawy, że dostawcy produktów dla konserwacji prognozowanej będą wykorzystywać bardziej bezpośrednie metody komercjalizacji tych danych poprzez sprzedaż ich wielkim brokerom danych lub sprzedaż aplikacji, które pozwalają klientom na generowanie swoich własnych wglądów w trendy w danych operacyjnych ze świata rzeczywistego. Możliwość sprzedawania danych operacyjnych przez dostawców produktów dla konserwacji prognozowanej prowadzi do zabezpieczenia klientów.
Tak jak w przypadku każdej umowy udostępniania informacji poufnych, pierwszy punkt decyzyjny jest często najtrudniejszy do przezwyciężenia dla dostawców. Usługa MaaS nie rozwiewa całkowicie obaw związanych z własnością danych. Ponieważ jednak dane muszą być udostępniane, aby ten model w ogóle funkcjonował, klienci powinni zrozumieć, iż podpisanie kontraktu MaaS jest jakby niepozornym początkiem wielkich zmian na lepsze. Dzięki tej usłudze uzyskają korzyści, więc nie powinni się obawiać udostępniania danych z maszyny. Ustalenie wspólnych motywacji pomiędzy dostawcą maszyny jako usługi a klientem sprawia, że obydwaj grają w tej samej drużynie, stwarza możliwości wspólnego udostępniania danych oraz może zoptymalizować predykcyjne utrzymanie ruchu w celu uzyskania bardziej wydajnej pracy maszyn.
Lepsze modele cenowe dla sprzedaży podzespołów maszyn jako usług
Znany producent podzespołów motoryzacyjnych, szwedzka firma SKF, oferuje model sprzedaży łożysk „jako usługi”. Rozwiązanie to polega na oferowaniu cen na podstawie redukcji awaryjności łożysk, w porównaniu do danych historycznych. Podobnie jak w opisywanych wyżej modelach cenowych, tu także motywacje dostawcy i klienta są zgodne. Obie strony są żywo zainteresowane wydłużaniem czasu eksploatacji sprzętu, zamiast targowania się o cenę łożysk (produktem związanym z tym tematem jest SKF Pulse, przenośny czujnik drgań wykorzystujący technologię Bluetooth oraz aplikacja mobilna do monitorowania stanu technicznego sprzętu wirującego).
Ten model cenowy z pewnością nie jest rozwiązaniem uniwersalnym. Na przykład model firmy SKF działa dobrze, gdy produkty są sprzedawane użytkownikom końcowym. Jednak odpowiedź na pytanie: „kto za to płaci?” staje się bardziej złożona w przypadku sprzedaży łożysk producentom maszyn, ponieważ firmy te nie reprezentują końcowego użytkownika sprzętu, w którym zamontowane są te łożyska. Nie oznacza to, że producenci podzespołów nie mogą zastosować tego modelu, sprzedając swoje wyroby producentom maszyn. Oczywiście mogą być jedynie potrzebne dodatkowe negocjacje, aby dopracować w szczegółach, kto będzie monitorował stan techniczny łożysk w docelowej lokalizacji maszyny. Model ten wymaga też bardziej aktywnego procesu sprzedaży, co jest spowodowane potrzebą wynegocjowania konkretnych celów dla każdego klienta z osobna i prawdopodobnie będzie dopasowane do najbardziej kluczowych zastosowań produktów. Biorąc to wszystko pod uwagę, zmniejszone wydatki inwestycyjne (CapEx) na maszyny oraz uzgodnienie motywacji do wydłużania czasu eksploatacji czynią ten model bardzo atrakcyjnym dla producentów. Jest on też skutecznym sposobem weryfikacji konkurencyjnych ofert od różnych firm.
Modele MaaS prawdopodobnie staną się dominujące w przyszłości, zaś rynek predykcyjnego utrzymania ruchu będzie w wyniku tego doświadczał znacznego wzrostu. Wartość predykcyjnego utrzymania ruchu staje się zbyt duża, aby ją zignorować, a wraz z niedawnym pojawieniem się inteligentnych czujników oraz innowacyjnych modeli biznesowych prognozuje się, że rynek ten jest gotowy na bardzo szybki wzrost.
Blake Griffin, analityk rynku w firmie Interact Analysis.