Jak to działa w praktyce?

Proces przebiega w sekwencji:

pomiar → walidacja danych → wykrycie odchylenia → diagnoza → ocena ryzyka → decyzja → realizacja działania → weryfikacja efektu.

Najważniejsze jest jednak ostatnie ogniwo tego łańcucha.Wartość predykcyjnego utrzymania ruchu nie kończy się na wygenerowaniu alertu. Integracja z systemem CMMS lub EAM pozwala przekształcić wynik analizy w kontrolowany proces operacyjny: utworzyć i przypisać zlecenie serwisowe, monitorować czas reakcji, dokumentować wykonane działania oraz wykorzystać rezultat interwencji do dalszej oceny i doskonalenia modelu.

 

Czym różni się od innych strategii?

Utrzymanie reaktywne naprawia po awarii. Prewencyjne serwisuje według stałych interwałów, niezależnie od faktycznego stanu maszyny. CBM uruchamia działania na podstawie zidentyfikowanego pogorszenia aktualnego stanu urządzenia. PdM wykorzystuje dodatkowo prognozę rozwoju degradacji, aby oszacować, kiedy ryzyko osiągnie poziom wymagający interwencji - a więc działa, zanim próg zostanie przekroczony. Stosuje się je przede wszystkim do zasobów krytycznych i kosztownych w naprawie: silników, pomp, sprężarek, przekładni, turbin, wrzecion.

 

Jakie daje efekty?

Według danych przytaczanych przez SAP, programy PdM raportują do 15% mniej przestojów i do 20% wyższą produktywność pracy. Do tego dochodzi do 30% niższy poziom zapasów części. W sektorze oil & gas redukcja kosztów utrzymania ruchu sięga nawet 38%.

 

Kiedy predykcyjne utrzymanie ruchu się opłaca?

Predykcyjne utrzymanie ruchu opłaca się wtedy, gdy dla konkretnej maszyny korzyść netto wychodzi na plus. Czyli uniknięte straty plus oszczędności na serwisie muszą przewyższyć koszt wdrożenia i utrzymania PdM. Liczysz to per maszyna, nie dla całego zakładu. Wystarczą dwa wzory. Pierwszy pokazuje, ile awarie kosztują Cię dzisiaj:

oczekiwana strata roczna = liczba awarii w roku × koszt jednego zdarzenia
 

Koszt jednego zdarzenia to nie tylko faktura za naprawę. Liczy się utracona produkcja przez cały postój i praca serwisu w trybie awaryjnym. Do tego części zamawiane na już, uszkodzenia wtórne sąsiednich elementów i kary umowne za spóźnione dostawy. Tu firmy najczęściej zaniżają wynik - biorą pod uwagę same części i robociznę, a pomijają wszystko, co dzieje się wokół. Drugi wzór zestawia tę stratę z kosztem rozwiązania:

korzyść netto = uniknięte straty + oszczędności serwisowe − koszt wdrożenia i utrzymania PdM

Uniknięte straty to oczekiwana strata roczna pomnożona przez odsetek awarii, które system wykryje z wyprzedzeniem. Nigdy nie będzie to 100%. Oszczędności serwisowe biorą się z rezygnacji z przedwczesnych wymian części, mniejszej liczby nadgodzin i niższego zapasu magazynowego. Po stronie kosztów masz czujniki i montaż, integrację ze SCADA i CMMS, licencje oraz pracę analityków. I jeszcze utrzymanie modeli w kolejnych latach. O tym ostatnim łatwo zapomnieć.

Jak to wygląda na liczbach? Weźmy przykład ilustracyjny, z wartościami do podmiany na własne dane. Pompa krytyczna zatrzymuje linię 3 razy w roku, a każde zdarzenie kosztuje 40 000 zł. Oczekiwana strata roczna wynosi więc 120 000 zł. Jeśli monitoring wibracji i temperatury wyłapie z wyprzedzeniem 70% takich awarii, uniknięte straty sięgają 84 000 zł. Dolicz 15 000 zł oszczędności na serwisie planowym. Roczny koszt wdrożenia i utrzymania PdM dla tej jednej pompy to 45 000 zł. Wynik: korzyść netto 54 000 zł rocznie, a inwestycja zwraca się w niecały rok.

Ten sam rachunek pokazuje też, kiedy PdM nie ma sensu. Jeśli oczekiwana strata roczna wychodzi niżej niż koszt monitoringu, taniej będzie zostać przy utrzymaniu prewencyjnym albo po prostu wymieniać po awarii.

 

Kiedy takie podejście nie ma sensu?

Przede wszystkim dla tanich, łatwo wymienialnych urządzeń. Brak wiarygodnej historii awarii ogranicza możliwość budowy modeli nadzorowanych i prognoz RUL, ale nie wyklucza rozpoczęcia od detekcji anomalii, analizy trendów oraz reguł diagnostycznych opartych na wiedzy ekspertów. W takiej sytuacji wdrożenie należy zacząć od analizy krytyczności, trybów uszkodzeń i dostępnych danych. Dopiero wtedy można ocenić, czy istniejące pomiary są wystarczające, czy potrzebne jest dodatkowe opomiarowanie.

Techniki takie jak analiza wibracji, termowizja, analiza oleju czy MCSA to już temat na dłuższy materiał. Krzywą P-F, modele RUL i etapy wdrożenia krok po kroku opisuje kompletny przewodnik po predykcyjnym utrzymaniu ruchu, opracowany przez ekspertów Smart RDM. To polska platforma Industrial Data & AI dla produkcji, energetyki i utilities - warto zajrzeć, zanim zaczniesz liczyć ROI.

 

Najczęściej zadawane pytania
 

Czy PdM wymaga sztucznej inteligencji?

Nie zawsze. Proste modele statystyczne i progi wystarczą przy jednoznacznych trybach awarii. Uczenie maszynowe jest uzasadnione wtedy, gdy zależności pomiędzy sygnałami są złożone, warunki pracy zmienne, a liczba monitorowanych zasobów uniemożliwia skuteczną analizę ręczną. Wybór metody zależy od dostępności danych, liczby zarejestrowanych awarii oraz celu: detekcji, diagnozy czy prognozy. 

Jak policzyć, czy predictive maintenance się opłaca?

Zacznij od oczekiwanej straty rocznej: liczba awarii w roku razy pełny koszt jednego zdarzenia, razem z utraconą produkcją i szkodami wtórnymi. Potem od unikniętych strat i oszczędności serwisowych odejmij roczny koszt wdrożenia i utrzymania PdM. Wynik dodatni? Dla tej maszyny predykcja się opłaca. Licz per maszyna, nie dla całego zakładu - inaczej drogie zasoby zamaskują te, dla których PdM jest przepłacaniem.

Od czego zacząć wdrożenie PdM?

Zacznij od 1-3 krytycznych maszyn z wysokim kosztem przestoju. Ważne, żeby miały znane tryby awarii i dostępne dane: SCADA, historian, CMMS. Nie zaczynaj od czujników rozstawionych po całym zakładzie.

Predykcyjne czy prewencyjne utrzymanie ruchu?

Zwykle stosuje się oba podejścia równolegle. Przeglądy wymagane przepisami i smarowanie zostają w harmonogramie, a predykcja obejmuje te zasoby, dla których koszt awarii uzasadnia inwestycję w dane.