Zdroj: osobní archiv Martina Hummela

KOMENTÁŘ: Sběr a analýza dat ve výrobě dokáže předvídat výpadky a šetřit náklady

O tom, jak nasazením moderních průmyslových IoT řešení jde včas odhalit problémy ve výrobě a v mnoha případech dokonce predikovat hrozící závady a výpadky, se v komentáři rozepsal Martin Hummel, produktový manažer společnosti Soitron.

Běžná představa firem je, že musí sledovat mnoho dat v reálném čase a zpracovat je složitými postupy datové analýzy, aby bylo možno se dobrat smysluplného výsledku. K implementaci potřebných řešení proto v řadě případů nedojde. Parametrů, které je nutné v reálném provozu sledovat, je přitom obvykle jen několik. K určení, který z nich je potřeba měřit, je dobré začít pilotním projektem na konkrétní výrobní lince, stroji či procesu. Ze začátku se sleduje více parametrů a až následná analýza sesbíraných dat určí, které z nich jsou klíčové.

Výsledkem je zjištění, k jakým změnám hodnot parametrů před výskytem poruchy nebo výpadku dochází. Následně je na omezené instalaci na jedné části linky nebo stroji nezbytné v reálném provozu potvrdit výsledky analýzy. Tedy jestli po překročení standardních hodnot klíčového parametru nebo více parametrů skutečně dojde k poruše. Vzejde z toho v provozu ověřený návrh řešení prediktivní údržby, který je možné poměrně jednoduše a s důvěrou nasadit ve výrobě.

Výpadek linky v automobilce je velkým problémem

Dobrým příkladem jsou podniky, které využívají poháněné montážní linky. Typicky se tak děje v automobilovém průmyslu. Linky jsou složeny z velkého počtu pomalu se pohybujících platforem, na kterých se montují automobily. Někdy se vlivem poruchy linka zastaví a dojde k výpadku produkce. Po zjištění problému je nutné vadný komponent fyzicky vyjmout, vyměnit či opravit. Právě prediktivní údržba, která umí upozornit na blížící se poruchu s dostatečným předstihem, je vhodným řešením situace.

Jedna z analýz v rámci konkrétního pilotního projektu v automobilce ukázala, že nejčastější příčinou výpadku linky je nadměrné zvýšení teploty pohonného mechanismu způsobující jeho poruchu nebo zablokování podvozku pohybující se platformy. V aplikaci IoT se tak nastavilo upozornění při nárůstu teploty u konkrétní platformy. To je odesíláno pracovníkům údržby formou SMS a e-mailů, a tak s předstihem několika hodin dostanou informaci již před výpadkem. Během plánované několikaminutové přestávky je pak možné opotřebovanou součástku vyměnit či opravit a neztrácí se tak drahocenný čas a peníze.

Proč investovat do IoT technologií prediktivní údržby?

Dá se nějak po finanční stránce zobecnit návratnost implementace IoT řešení prediktivní údržby? To je otázka, kterou si pokládá řada firem. Odpověď je jasná. Nasazením IoT řešení lze dosáhnout odstranění většiny výpadků. Návratnost můžeme měřit nanejvýš v řádů týdnů. I v případě, kdy prediktivní údržba s využitím IoT technologií nahradí dobře zvládnutou údržbu preventivní, zvýšená efektivita přinese návratnost v řádu měsíců. Investice do IoT řešení se jednoznačně vyplatí i malým subjektům a podnikům.



Další články k tématu: Aktuality