Unikaj awarii. Nie pozwalaj na przestoje. Kontroluj koszty.
Konserwacja predykcyjna to metoda zarządzania zasobami, której istotą jest naprawa zasobu lub elementu wyposażenia zanim ulegnie on awarii — na podstawie zebranych danych na jego temat. Stanowi ona trzecią fazę zarządzania zasobami:
Konserwacja naprawcza: naprawy wykonywane po wystąpieniu problemu lub awarii.
Konserwacja zapobiegawcza (profilaktyczna): naprawy wykonywane planowo, wg harmonogramu wynikającego z dotychczasowych doświadczeń.
Konserwacja predykcyjna: naprawy wykonywane wtedy, gdy dane pozyskiwane z zasobu wskazują, że awaria niedługo nastąpi.
Czym jest zasób? IBM® stosuje definicję zawartą w międzynarodowej normie ISO 55000. Zasób to „przedmiot, rzecz lub obiekt mający rzeczywistą lub potencjalną wartość”. Zasoby są elementami składowymi infrastruktury fizycznej organizacji. Należą do nich m.in. pojazdy, urządzenia elektroniczne, elementy armatury, maszyny, komputery i wiele innych rodzajów przedmiotów.
Konserwacja predykcyjna stała się możliwa, gdy same zasoby zaczęły udostępniać coraz więcej informacji o sobie, a funkcje eksploatacji i konserwacji przeszły cyfrową transformację. Do czynników umożliwiających konserwację predykcyjną należą:
- Dostępność dużych ilości danych zbieranych z zasobów oprzyrządowanych i podłączonych do sieci.
- Dostępność danych zbieranych z internetu rzeczy (IoT).
- Zbliżenie technologii informatycznych i eksploatacyjnych.
- Postępy w dziedzinie analizy danych.
- Techniki sztucznej inteligencji, takie jak uczenie maszynowe, tj. zdolność systemu do samouczenia się na podstawie danych, bez programowania.
Od napraw do przewidywania problemów
Jeśli problem można przewidzieć, zanim wystąpi, to czy nadal jest problemem?
Słuchaj swoich maszyn
Słuchaj uważnie, przechodząc od sztywnego harmonogramu konserwacji do metody predykcyjnej, która ograniczy koszty i zmniejszy liczbę awarii oraz przestojów.
Pobierz infografikę (PDF, 905 kB)
Dlaczego konserwacja predykcyjna jest ważna?
Naprawienie czegoś zanim się zepsuje jest bardziej efektywne i ekonomiczne niż naprawa po awarii. Takie podejście pomaga…
- Uniknąć przestoju i działać produktywniej.
- Wydłużyć okres eksploatacji zasobów i opóźnić konieczność zakupu nowego sprzętu.
- Ograniczyć koszty i złożoność napraw.
- Uniknąć dodatkowych lub powiązanych szkód.
- Spełnić wymagania norm i przepisów prawa.
- Efektywniej gospodarować częściami zamiennymi, materiałami i zapasami.
- I wreszcie — osiągnąć wyższą rentowność.
Korzyści te skłaniają organizacje do korzystania z technik i metod konserwacji predykcyjnej. Specjaliści IBM zauważają, że (PDF, 2,2 MB): „Praktycznie w każdej branży wymagającej zaawansowanego zarządzania zasobami (np. w sektorze petrochemicznym, produkcji i transporcie) organizacje poszukują sposobów na uzyskanie maksymalnej wartości z zasobów w całym ich cyklu życia”.
Oto przykładowe spostrzeżenia z badania przeprowadzonego przez IBM (PDF, 255 kB):
Brytyjska firma PhotonStar Technology, która zajmuje się projektowaniem i produkcją systemów inteligentnego oświetlenia i systemów dla inteligentnych budynków, opracowuje m.in. rozwiązania zbierające dane z infrastruktury i sprzętu, takie jak zużycie energii czy dane o obecności osób w budynku, a następnie szyfruje te dane i konsoliduje je z myślą o analizie w chmurze. Klienci firmy używają paneli kontrolnych do monitorowania efektywności, tworzenia planów konserwacji predykcyjnej i zdalnego monitorowania statusu w czasie rzeczywistym.
Japoński producent samochodów używa internetu rzeczy do modelowania przebiegu procesu zgrzewania. Rozwiązanie to wdrożono, aby poznać przyczyny awarii i wad oraz ustalić czynniki pozwalające na przewidzenie awarii sprzętu. System przewiduje 90 procent usterek, nie zgłaszając w ogóle fałszywych alarmów; 50 procent usterek przewidywanych jest z wyprzedzeniem dłuższym niż 2-godzinne. Dzięki tej zaawansowanej predykcji firma oszczędza 1,5 godziny na jednej usterce.
Duży producent z sektora lotniczego używa internetu rzeczy do kalibracji narzędzi precyzyjnego montażu i do zapewnienia wyższej jakości produkcji. Dane z narzędzi używanych w hali produkcyjnej, wraz z informacjami o usterkach, wykorzystywane są w predykcyjnych analizach jakości do generowania modeli wskazujących narzędzia z największym prawdopodobieństwem wymagające serwisu. Wadliwe narzędzia są proaktywnie usuwane z procesu produkcyjnego, poddawane konserwacji i rekalibracji, co prowadzi do istotnej poprawy jakości produkcji. Koszt tego rozwiązania zwrócił się w 100 procentach w ciągu jednego roku, ponieważ — poprzez eliminację rozkalibrowanych narzędzi z procesu produkcji — pozwoliło ono uniknąć poprawek i opóźnień produkcyjnych kosztujących miliony dolarów.
Zastosowanie internetu rzeczy w konserwacji predykcyjnej
Poznaj korzyści z zarządzania stanem zasobów z wykorzystaniem internetu rzeczy i analiz kognitywnych.
Przeczytaj opracowanie (PDF, 818 kB)
Najważniejsze korzyści z efektywnej konserwacji predykcyjnej
Efektywna konserwacja predykcyjna wykorzystuje — poprzez systemy cyfrowe — konwergencję danych z przyrządów i internetu rzeczy oraz zaawansowane analizy i sztuczną inteligencję. IBM zwraca uwagę na wyniki ankiety opublikowanej przez A. T. Kearney w Industry Week (PDF, 2,2 MB), w której 558 firm korzystających ze skomputeryzowanych systemów zarządzania konserwacją deklarowało następujące wyniki (podano wartości uśrednione):
- Wzrost produktywności prac konserwacyjnych o 28,3%.
- Ograniczenie przestojów sprzętu o 20,1%.
- Koszty materiałów niższe o 19,4%.
- Ograniczenie prac konserwacyjnych i naprawczych na zasobach magazynowanych o 17,8%.
- Czas zwrotu inwestycji: 14,5 miesiąca.
Aby z powodzeniem używać takich systemów, organizacje powinny spełnić pewne wymagania:
Integracja
W ramach zarządzania zasobami organizacja powinna monitorować i oceniać niezawodność szerokiej gamy zasobów fizycznych i technologicznych oraz zarządzać tą niezawodnością. Spełnienie tego wymogu utrudnia odseparowanie aplikacji i danych w infrastrukturach technicznych. Integracja takich odseparowanych systemów poprawia widoczność i efektywność lokalizacji potencjalnych awarii oraz informowania o nich.
Warto sięgnąć do internetu rzeczy
Dane z internetu rzeczy, np. pogodowe, odczytywane ze znaczników RFID, dotyczące ruchu drogowego lub pochodzące z innych urządzeń i źródeł, są cennym uzupełnieniem wzmacniającym procesy konserwacji predykcyjnej. Na przykład pogoda może wpływać na maszyny i instalacje stosowane w rolnictwie lub wydobyciu ropy i gazu, a także na wysoce czułe instrumenty w takich branżach, jak ochrona zdrowia czy biotechnologia. Internet rzeczy umożliwia potencjalnie konsolidację informacji z milionów urządzeń. Na przykład firma KONE Corp, producent wind i schodów ruchomych, zdalnie monitoruje ponad 1,1 miliona takich urządzeń w budynkach na całym świecie i optymalizuje zarządzanie nimi.
Wysoka jakość danych do analizy
Możliwość zbierania i analizowania danych o zasobach umożliwia organizacji przejście od konserwacji naprawczej do predykcyjnej. Analizy predykcyjne i techniki sztucznej inteligencji, takie jak uczenie maszynowe, można zastosować do obszernych danych operacyjnych, aby uzyskać bardziej szczegółowy obraz funkcjonowania zasobów.
Ważna jest także jakość i integralność analizowanych danych. Specjaliści IBM zauważają (PDF, 2,2 MB), że „często zapomina się o jakości danych o zasobach. Gdy niektóre pola są niewypełnione lub gdy dane zawierają błędy, analiza nie jest możliwa. Analiza jakości danych w newralgicznych obszarach, takich jak rejestry zasobów, dane inwentaryzacyjne i dokumentacja wykonania prac, ma zasadnicze znaczenie dla wiarygodności raportów analitycznych”.
Liczy się niezawodność i efektywność
Na fundamencie analiz predykcyjnych inżynierowie niezawodności mogą tworzyć istotne statystycznie modele eksploracji zasobów z uwzględnieniem danych operacyjnych i innych czynników. Modele te pozwalają im skupić się na najważniejszych zagrożeniach dla niezawodności i dostępności.
Analizy predykcyjne umożliwiają również opracowanie strategii konserwacji, która zwiększy efektywność: analizy mogą wykazywać, że aktualnie obowiązujące harmonogramy i procedury konserwacji sprawdzają się dobrze i nie wymagają zmian. Ale równie dobrze mogą wykazać konieczność wcześniejszego przeprowadzenia konserwacji w celu uniknięcia awarii. Albo odłożenia konserwacji na później w celu uniknięcia niepotrzebnych kosztów i prac.
Źródła informacji na temat konserwacji predykcyjnej
Zrozumieć zarządzanie zasobami
Zapoznaj się z zarządzaniem zasobami w różnych ujęciach, aby dokonać właściwego wyboru i w razie potrzeby zacząć na małą skalę, a później rozbudować rozwiązanie.
Inteligentne połączenia: internet rzeczy i nowy pomysł na przedsiębiorstwo
Zobacz konserwację predykcyjną i zarządzanie zasobami w szerszym kontekście i odkryj, jak internet rzeczy zmienia eksploatację i procesy.
Przeczytaj opis badania (PDF, 255 kB)
Przykładowe wdrożenia
Hana Financial Group
Hana Financial Group w ścisłej współpracy z działem IBM Services w Korei skonsolidowała infrastrukturę i zasoby 11 swoich podmiotów zależnych, stwarzając warunki do proaktywnej konserwacji i wykrywania potencjalnych problemów zanim faktycznie spowodują awarię.
VE Commercial Vehicles Ltd.
VECV upraszcza i usprawnia obsługę swoich różnorodnych środowisk informatycznych w różnych lokalizacjach, przyspiesza rozwiązywanie problemów, zwiększa produktywność i dostępność oraz zachowuje ciągłość biznesową procesów IT.
Produkty w centrum uwagi
IBM Technology Support Services — odkryj różnicę
Analizy predykcyjne i systemy kognitywne pozwalają ograniczyć straty czasu i marnotrawstwo zasobów nawet o 40% w skali roku.
Pięć nowych trendów w usługach wsparcia technicznego
Poznaj pięć trendów technicznych, które prawdopodobnie będą stymulowały ewolucję sektora usług wsparcia technicznego i kształtowały nowe paradygmaty usług wsparcia w perspektywie najbliższych trzech do pięciu lat.
Obejrzyj webinarium na żądanie
IBM Hardware Maintenance Services
Poznaj różnicę między wsparciem reaktywnym, proaktywnym, prewencyjnym i kognitywnym oferowanym przez IBM, by lepiej zabezpieczyć swoją inwestycję w sprzęt.
Dowiedz się więcej (PDF, 1,1 MB)
Rozwiązania
Usługi IBM w zakresie wsparcia dla sprzętu i oprogramowania
Wsparcie dla sprzętu i oprogramowania różnych dostawców