A gépi tanulás forradalma a közüzemi és gyártószektorban

|

Az elmúlt 10 évben a big data és a fejlett analitika volt a két legfelkapottabb téma a technológia világában. Amikor a közüzemi és gyártószektorban ezekről a technológiákról beszélünk, általában produktivitásfokozó és hatékonyságnövelő hatásukat emeljük ki.

 

 

Arról kevesebb szó esik, hogyan alkalmazzuk őket a karbantartás területén. A fejlett analitika és a big data alapjaiban formálja át a karbantartási folyamatot. Segítségükkel többet megtudhatunk az eszközökről, hogy előre jelezhessük és akár megelőzhessük a meghibásodásukat. Mindez számos, kevéssé ismert előnnyel jár a gyártóvállalatok számára. Az alábbiakban ezeket az előnyöket mutatjuk be konkrét példákon keresztül.

Előrejelzés, nem ajánlás

Amikor ez ember vásárol egy eszközt, általában valamilyen ajánlást is kap hozzá a gyártótól, és ez alapján végzi el a karbantartást. Ha fél évente ajánlott generáljavítást végezni, ezt az ütemezést követi. Ezzel az a gond, hogy a gépek környezettől és kontextustól függően eltérően viselkednek. Nagyon máshogy működik egy szélturbina Spanyolországban, mint mondjuk Dániában, vagy akár adott országon belül más-más helyen. Ilyenkor az eszköz karbantartására vonatkozó ajánlás nem lesz annyira helyes vagy pontos a működési hatékonyság szempontjából, mint egyébként lehetne. A vállalat vagy túl korán végzi el a karbantartást, amikor az még nem szükséges, vagy túl későn, amikor az eszköz már meghibásodott, és költséges leállást okozott.

Ezen a területen hasznosítható igazán jól a big data és a fejlett analitika. Gépi tanulás alapján elemezhetők az eszköz adatai, és előre kideríthető, mikor valószínű a meghibásodás.Az eszköz karbantartási igényének előre jelzése nem csupán a meghibásodás kockázatát csökkentheti, hanem a karbantartási munka költségét is. Ha egy eszköz szabályozott környezetben, mondjuk egy gyárban működik, nem olyan nehéz odafigyelni rá. De ha terepen található (mint például a szélturbina), nehezen lehet monitorozni a működését. Mérnököket kiküldeni a potenciálisan felesleges ellenőrzések elvégzésére drága mulatság - de még mindig olcsóbb, mint sürgősségi javítást végezni valamilyen eldugott helyen, ami hosszú ideig is eltarthat, ha várni kell az alkatrészek szállítására. És amíg a turbina áll, addig semmit nem termel.

A leállások teljes egészében kiiktathatók egy olyan prediktív rendszerrel, amely figyelmeztet az eszköz karbantartásigényére. Így a javítás előre ütemezhető, és az alkatrészek is kellő időben megrendelhetők. Nincs üzemszünet, és felesleges készletet sem kell fenntartani. Mindez az intelligens műszaki szemléletrésze. Elmozdulást jelent a hagyományos hibaelhárítási modell irányából a proaktívabb, intelligensebb működés felé.

A szélturbinák üzemben tartása

Prediktív karbantartással - a karbantartandó eszközök számától függően - akár 200%-os beruházásmegtérülés is elérhető. A karbantartási költségek 10-20%-kal, az ütemezett karbantartás időigénye pedig 40%-kal csökkennek. Ezek az adatok EMEIA-régióbeli szélturbinák prediktív karbantartási tapasztalatain alapulnak. A célunk az volt, hogy a fejlett analitika és a big data alkalmazásával hatékonyabbá tegyük a karbantartást a szélturbinák három fő komponensénél: a nyomatékváltónál, a rotornál és a generátornál.

A cél megvalósult. A prediktív szemlélettel egy hónappal korábban sikerült észlelnünk egy várható meghibásodást. Ez azt jelenti, hogy 1-2 évvel növeljük a gépek élettartamát. És mivel tartósabbak, a beruházás pénzügyi költsége is kedvezőbb. 

Hogyan csináltuk?

Mélytanulás alkalmazásával kidolgoztunk egy olyan anomáliaérzékelő algoritmust, amely nagyon hosszú adatsorokban is képes megtalálni a legkisebb hibát. Ezt működésiadat-kezelő analitikának (Operational Data Management Analytics, ODMA) hívjuk. Egyes szélturbina-modelleknél már használják a hibák előrejelzésére, de ugyanezzel az algoritmussal és módszerrel más eszközökre is könnyen adaptálható. Nem az a célunk, hogy generikus szoftvert fejlesszünk. Azt szeretnénk megtanulni, hogyan tudunk olyan jó algoritmusokat kidolgozni, amelyek megoldják a nagy karbantartási problémákat - bármilyen jellegű problémát.

Lenyűgöző, hogy milyen sokrétű ennek a technológiának a háttere. Amikor prediktív karbantartási projektet indítunk egy ügyfélnél, először olyan dolgokról beszélünk, mint az adatok rendelkezésre állása, a karbantartási költségek és az üzemeltetés. És utána mindig ugyanaz történik: elkezdünk mélyebbre ásni a problémába, és eljutunk a készletgazdálkodásig, a biztosítással kapcsolatos operatív kérdésekig és a kultúraváltásig.

A prediktív karbantartás tehát számos egyéb kérdéssel is összefügg. Ezt a témát - változás fontosságát a cégkultúra szintjén - jártuk körül nemrég egy tanulmányban (A gyártótevékenység átalakulása: a digitális gyár létrehozása a co-creation módszerével/Transforming Manufacturing: Co-creating the digital factory). Ez is bizonyítja, hogy a prediktív karbantartás működéséhez holisztikus szemléletre van szükség - mind a technológiát, mind pedig a hozzá kapcsolódó dolgokat tekintve. 

Gépi tanulással támogatott karbantartás

A gépi tanulás és az adatanalitika átalakítják a karbantartás folyamatát. Ahol régebben drága, lassú és nehézkes volt a karbantartás, ott a jövőben gyorsabb, egyszerűbben ütemezhető és költséghatékonyabb lehet a folyamat. Ez komoly változást hoz a közüzemi és gyártóvállalatok életében, mivel az ilyen eszközközpontú iparágakban a karbantartás a működés szerves része. A változást pedig az előrejelzésben rejlő lehetőségek okozzák. Ha képesek vagyunk észlelni a kialakulóban lévő problémát, megelőzhetjük. Az Ipar 4.0 fontos alaptétele a problémamentes környezet kialakítása - ehhez segít hozzá minket a mesterséges intelligencia.

 

Úgy tűnik, AdBlockert használsz, amivel megakadályozod a reklámok megjelenítését. Amennyiben szeretnéd támogatni a munkánkat, kérjük add hozzá az oldalt a kivételek listájához, vagy támogass minket közvetlenül! További információért kattints!

Engedélyezi, hogy a https://computerworld.hu értesítéseket küldjön Önnek a kiemelt hírekről? Az értesítések bármikor kikapcsolhatók a böngésző beállításaiban.