Predictive Maintenance – czyli jak Sztuczna Inteligencja minimalizuje ryzyko i koszty

Świat się zmienia. Współczesne modele biznesowe ewoluują. Coś co kiedyś było nie do pomyślenia dzisiaj staje się faktem – coś co kiedyś było „sprzedawanym produktem” dziś coraz powszechniej staje się „usługą”. Coraz powszechniej widać, że tak ważne kiedyś stwierdzenie „mam” można z powodzeniem zastąpić słowem „korzystam”. Prekursorem tego trendu był rynek mieszkaniowy (z powszechnym w krajach zachodnich najmem vs posiadaniem), ale już widać ten trend wkracza w kolejne obszary tradycyjnego produktowego biznesu. Sprzedawane samochody, można leasingować – nie mówiąc o tym, że można je też „wynająć na minuty”. Największe firmy lotnicze oferują swoje silniki liniom lotniczym w tym modelu. Korzystasz-płacisz, nie korzystasz-nie płacisz a może nawet to dostawca płaci Ci odszkodowanie. W tym kontekście kontrola kosztów utrzymania zasobów niezbędnych do prowadzenia biznesu nabiera innego wymiaru. Przedsiębiorca, który ma bardziej efektywny model kosztów utrzymania wygrywa grę konkurencyjną. I tu pojawia się zapotrzebowanie na Sztuczną Inteligencję w procesie monitoringu zasobów.

Predictive Maintenance – co to jest?

Wyobraźmy sobie, że właściciel bardzo ważnego sprzętu (np. obrabiarek przemysłowych lub turbin wiatrowych) próbuje utrzymać swoją efektywność kosztową na wysokim poziomie. Maszyny się psują – bo przecież pracują non-stop pod dużym obciążeniem. Trzeba je serwisować a to kosztuje niebagatelne pieniądze. Gdy właściciel jest nieodpowiedzialny to naprawia sprzęt kiedy takie urządzenie padnie (model „Emergency Based Maintenance”). Ale to oznacza ekstra koszty – nieplanowane przestoje w najmniej oczekiwanych momentach, opóźnienia spowodowane oczekiwaniem na części zamienne i płacenie pracownikom czekającym na usuniecie awarii.

Rysunek 1. Koszty utrzymania w modelu „Emergency Based Maintenance”

W tradycyjnym modelu biznesowym (tzw. „Preventive Maintenance”) ryzyko awarii jest odpowiednio skalkulowane (np. „awaria zdarza się średnio co 3 miesiące”) a prace utrzymaniowe odpowiednio wyprzedzają spodziewaną awarię – np. wymiana kluczowych elementów co 2,5 miesiąca w godzinach niskiej aktywności produkcyjnej (w oknach serwisowych). Niby wszystko działa, ale czy jest aby efektywnie? Raczej nie – trzeba kupować i utrzymywać odpowiednie stany magazynowe różnych części zamiennych, nie mówiąc już o tym, że wymieniamy części, które mogłyby z powodzeniem jeszcze trochę popracować.

Rysunek 2. Koszty utrzymania w modelu „Preventive Maintenance”

A gdyby mieć szklaną kulę i przewidzieć awarię z odpowiednim wyprzedzeniem? Wtedy można by zamawiać odpowiednie części, przeprowadzić akcje serwisowe odpowiednio często (a raczej odpowiednio rzadko) i unikać ekstra-kosztów niespodziewanych awarii.

Rysunek 3. Zysk z podejścia „Predictive Maintenance”

Tak, to podejście (tzw. „Predictive Maintenance”) to jest zdecydowanie najciekawsze. Ale, czy można coś takiego ułożyć? Odpowiedź brzmi – tak – można spróbować to zrobić przy dzisiejszych możliwościach świata IT. Wystarczy zacząć zbierać dane o naszych urządzeniach, żeby zrobić z nich właściwy użytek w temacie „Predictive Maintenance”.

Przykład – Jak to się robi?

W przykładzie podanym powyżej (a także w każdym innym dotyczącym urządzeń z rotorami) można pokusić się o zbudowanie Inteligentnego „Analizatora Wibracji”. Wszak, jeżeli coś rotuje to drga, a jeżeli coś się psuje to drga w sposób inny od oczekiwanego. I przecież możemy tego doświadczyć nawet naszymi zmysłami. Jak zaczynamy „słyszeć” łożysko to przecież jest to efekt drgań – fala dźwiękowa generowana wibracjami. Tyle, że jak już coś „słychać” to zwykle jest za późno. Wkrótce potem może być „widać” (np. ogień wywołany niespodziewanym tarciem) a potem zostaje już awaria krytyczna. Żeby tego uniknąć wystarczy wykrywać anomalie w analizie wibracji odpowiednio wcześnie.

Rysunek 4. Symptomy nadchodzącej awarii i możliwości jej wczesnego przewidywania (źródło: 1)

No dobrze – ktoś zapyta, ale „analiza wibracji” to temat znany i opisany od dawna  – od dawana płaciło się „słone pieniądze” firmom specjalizującym się w analizowaniu stanu maszyn na podstawie analizy spektrum wibracji. Gdzie tu Sztuczna Inteligencja? Otóż, w tym przypadku Sztuczna Inteligencja pojawia się w dwóch obszarach. Po pierwsze wykorzystując Deep Learning można nauczyć algorytm prawidłowego i nieprawidłowego profilu wibracji. Można też klasyfikować niepoprawne profile stawiając diagnozy – co właściwie ulegnie awarii i za jaki czas. Nie trzeba tu wiedzy tajemnej, wystarczy odpowiednio dużo danych serwisowych. Po drugie, można pokusić się o analizę wibracji w urządzeniach, które kiedyś były poza zasięgiem „analizatora ludzkiego” np. w urządzeniach zamontowanych i innych losowo drgających środowiskach (np. w samochodach i samolotach). Innymi słowy,  kiedyś losowy „szum” drgania skutecznie zamazywał obraz danych uniemożliwiając ich analizę „ludzkim okiem”. Algorytmy SI mogą być odporne na ten problem o ile wystarczająco dużo danych pozwoli im na skuteczne nauczenie się co jest „symptomem nadchodzącej awarii” a co „szumem”.

Co dalej?

Temat przewidywania awarii („Predictive Maintenance”) można z sukcesem zaaplikować do innego typu biznesu niż ten opisany powyżej. Wystarczy mieć (lub zacząć zbierać) odpowiednio dużo danych i… spróbować. Bez problemu można sobie wyobrazić algorytmy przewidujące awarie np. sieci telekomunikacyjnych lub innych typów urządzeń niż te rotujące. Najważniejsze są dane – ich zbieranie (projektowanie przepływów i magazynów Big Data na użytek AI/ML), ich właściwa obróbka (Data Analysis) i przygotowanie rozwiązań inteligentnych (Machine Learning). Gfi zbudowało swoje doświadczenia współpracując z jednym z największych dostawców silników lotniczych na świecie. Jeżeli masz podobny pomysł lub problem, chcesz zbudować inteligentne rozwiązanie typu „Predictive Maintenance” lub po prostu zacząć zbierać dane przygotowując się do tego – to jesteśmy gotowi Ci pomóc. Skontaktuj się z nami.

Sebastian Stefanowski

  1. “Condition Monitoring Using Computational intelligence methods” – Master Thesis for the fulfillment of the academic degree M.Sc in Automotive Software; June 2015 Submitted by: Anwesh Kotta
(EN) We use cookies only for collective statistical purposes and to adapt the website to the user's needs.
(PL) Używamy cookies w celach statystycznych oraz w dostosowaniu serwisu do użytkownika.