Pracovníci údržby budú noví programátori

Pracovníci údržby budú noví programátori

ANALÝZA DÁT UMOŽNÍ NIELEN PRESNE NAČASOVAŤ OPRAVY A VÝMENY ČI ZNÍŽIŤ RIZIKO NEPLÁNOVANÝCH ODSTÁVOK. PRI PLNOM VYUŽITÍ ŽIVOTNOSTI KOMPONENTOV MÔŽE PREDĹŽIŤ SERVISNÉ INTERVALY.

Stroje v moderných fabrikách fungujú čoraz autonómnejšie, no stále potrebujú nejakú formu starostlivosti od ľudí. Pri zanedbávaní totiž najmodernejšie počítačom riadené automatizované linky môžu prestať fungovať rovnako ako čisto mechanický sústruh. Digitálne dáta zo strojov, inteligentná analýza údajov a prístupy, založené na údajoch pre monitorovanie ich stavu strojov čoraz častejšie využívajú na včasné odhalenie anomálií a nájdenie porúch prediktívne systémy.

Priamo so strojmi je čoraz tesnejšie prepojená aj ďalšia technika, najmä pomocné systémy na manipuláciu a výrobnú logistiku. Priemyselné roboty sú dôležitou súčasťou fungovania moderných firiem a ich využitie rastie. Pre maximálny úžitok z nich je však potrebné priebežne monitorovať ich činnosť a riadnu údržbu v súlade s technickými požiadavkami na servisné intervaly.

Digitálne nástroje údržby však umožňujú zabezpečiť nielen správne fungovanie strojov a ďalšej techniky, ale aj zvyšovať návratnosť technologických investícií. Bez preventívnej údržby sa zariadenia môžu poškodiť, čo zapríčiní stopnutie výroby. V horších prípadoch môžu ohroziť zdravie pracovníkov, ktorí s nimi pracujú.

DÔLEŽITÉ KRITICKÉ KUSY

Aby sa taký scenár neuskutočnil, prvým krokom pri inštalovaní výrobného stroja alebo linky by mal byť výber a vyradenie zariadení, ktoré kontrola podľa legislatívy označuje ako kritic

ké. Podľa prezidentky Asociácie technických diagnostikov SR Viery Petkovej ide o dôležitý proces aj pri plnení požiadaviek zákazníkov. „Ak  firma zanedbá túto úroveň kontroly, zbytočne investuje peniaze do prediktívnej údržby,“ dodáva.

Pripomína, aby si firmy uvedomili rozdiel medzi prediktívnou a preventívnou údržbou. Už tradičná preventívna údržba má za cieľ znížiť pravdepodobnosť zlyhania stroja prostredníctvom pravidelných plánovaných zásahov. Na rozdiel od toho prediktívna údržba vychádza z údajov o fungovaní stroja v reálnom čase a pravdepodobnosť poruchy určuje ich analýzou tak, aby servisný zásah prišiel skôr než porucha.

To umožňuje výrobcom presunúť sa z opravy modelu do predikcie opravy pomocou prediktívnej analýzy, ktorá sa opiera o údaje, štatistiky, strojové učenie, umelú inteligenciu a modelovanie na predpovedanie budúcich výsledkov.

Preventívnou údržbou sa dá zabezpečiť, že stroje aj roboty sú pravidelne servisované a udržiavané, vďaka čomu sú negatívne dosahy znížené na minimum. Pravidelnými bezpečnostnými kontrolami sa dá predísť nehodám, ktoré môžu ublížiť ľuďom aj firmám.

Priemyselné roboty, pravidelne podrobené servisným prehliadkam, zabezpečia výrobným linkám dlhšiu životnosť. Pravidelné prehliadky aspoň raz ročne umožnia predísť väčším problémom, ktoré majú za následok aj zbytočné výdavky.

Robotom predĺžia totiž „práceschopnosť“ a firme ušetria neraz nemalé finančné prostriedky. To však neznamená, že zvyšok roka stačí okolo stroja prechádzať bez povšimnutia. Kontrola by mala byť na programe denne. Preventívna údržba by sa mala robiť na celej linke a v prípade, že je plne automatizovaná, hlavnou úlohou pracovníkov je dohliadnuť na jej plynulú činnosť.

SPOLUPRACOVAŤ NAPRIEČ FIRMOU

Tak ako v moderných fabrikách na zhotovenie konečného výrobku už nestačia len ľudia, nestačia na to ani samy stroje. Na výrobu treba

technológie, ale aj ľudí, bez ktorých technika vyrábať nebude. Ak však spoločnosti chcú byť lepšími ako konkurencia, okrem kvality musia dbať aj na efektívnu prevádzku.

Tej pomôže, ak ľudia a stroje dokážu spolupracovať. Na to však treba, aby pracovníci poznali techniku a aby tá bola prispôsobená pre ľudí. Podľa odborníkov tak možno povedať, že všetky faktory, čo ovplyvňujú efektivitu zariadenia, majú na starosti pracovníci údržby.

Či už má firma nákup linky, nového stroja alebo robota ešte len v plánoch alebo ho už uskutočnila, dohľad odborníkov na ich údržbu a sledovanie nutnosti prípadných opráv je nevyhnutnosť. Výrobcovia mnohých zariadení pre priemyselnú výrobu už ponúkajú v strojoch vlastné operačné riadiace systémy. Návrh fungovania by však mal byť prispôsobený pre konkrétny podnik a firemnú kultúru.

Z praxe vyplýva, že faktorov, ktoré ovplyvňujú bezproblémové fungovanie výrobných technológií a ďalších zariadení, je viac. Ak však firma dokáže predísť väčším poruchám, ktoré by viedli k nečakanému zastaveniu výroby, ušetrí si často nemalé finančné straty.

Preto je výmena komponentov plánovaný proces, ktorý môže pomôcť eliminovať zbytočné prestoje vo výrobe. Cena neplánovaných sa totiž môže vyšplhať až do výšky niekoľko stotisíc eur za hodinu. Chyba nemusí byť, len ak sa na poruchu nepríde, ale aj ak ju údržba nemá ako odstrániť, napríklad preto, že jej chýba potrebná súčiastka.

Pri dobrej organizácii práce oddelenia údržby sa dá vyhnúť kritickým prestojom a naplánovať opravy počas času, keď sa na linke nevyrába. Porovnateľne dôležité ako naplánovanie servisu je objednanie náhradného dielca alebo dobrá dostupnosť komponentu pre pracovníkov údržby. Obzvlášť preto, že nemálo firiem má servisnú zmenu naplánovanú – napríklad – iba raz do týždňa. Na tých osem hodín musia byť pripravené všetky potrebné dielce.

Ak ich treba v iných časoch, musia ich mať údržbári buď vo vlastných skladoch s dobre organizovaným dodaním, alebo, ako ukazuje prax, aj priamo vo výrobe. Tlak na orezávanie skladových plôch je v rámci štíhleho riadenia výroby veľký, no v niektorých prípadoch má núdzová zásoba na strategickom mieste svoje výhody.

INTERNET VECÍ AKO VEŠTIACA GUĽA

Jedným z veľkých prínosov fenoménu priemyselného Internetu vecí je, že prepojené zariadenia sú schopné informovať o vlastných požiadavkách na údržbu. Namiesto vyradenia stroja tak budú môcť firmy predvídať. Údržba strojov tak už viac nebude spôsobovať žiadne nečakané a finančne náročné prestoje, ale naopak – cez zvýšenie efektívneho využitia výrobných kapacít generovať zisky.

Podľa Johna Ashodiana z konzultačnej spoločnosti SICK priemysel, fungujúci na princípoch priemyselného Internetu vecí, prinesie revolúciu v celom dodávateľskom reťazci. A to vďaka

predikčnej schopnosti údržby, ako aj autonómnym strojom, ktoré budú schopné pracovať s minimálnym zásahom ľudskej sily.

Základnou podmienkou toho, aby údržba mohla fungovať a zároveň sa aj nejako vyvíjala, sú dáta. Či ide o plánovanú údržbu, vizualizáciu procesov fungujúcich online, vytváranie reportov či iné dôležité opatrenia.

Monitorovaním schém v reálnom čase a sledovaním historických dát môžu stroje identifikovať opakované scenáre, čo umožní vytvoriť vzorec, ktorý určí pravidlá na zdokonalenie procesu údržby – v najhodnejšom okamihu. Pôjde o adaptačný proces učenia, čo znamená, že čím viac informácií a možných scenárov budú poznať, tým budú vedieť lepšie reagovať.

ČO UČIŤ STROJE

Firmy, ktoré s prediktívnym programom údržby len začínajú, si musia uvedomiť, že prediktívne funkcie nebudú prístupné hneď v prvý deň. Stroje totiž, podobne ako ľudia, najprv potrebujú čas na zhromaždenie a analýzu údajov ešte pred tým, ako budúce výsledky začnú predpovedať.

Zatiaľ čo stroje získavajú „znalosti“ , ktoré potrebujú na svoj vývoj prediktívneho programu údržby, odborníci by nemali zabúdať na sledovanie ukazovateľov reálnej prevádzky (Condition Monitoring).

Teda teploty, trenia, tlaku a ďalších – najčastejšie fyzikálnych – veličín, ktoré ukazujú nielen, či stroj nepracuje v rizikovej oblasti, ale aj ako sa ukazovatele vyvíjajú. Nemusia sa do pomyselného červeného poľa dostať, no ak sa vychýlia z obvyklých intervalov, ide o varovný signál.

Typický príklad môže byť teplota ložísk na pohyblivých častiach strojov. Kontrola môže ochrániť koliesko, guľôčku či celé ložisko pred prehriatím a poruchou. Dlhodobé sledovanie prevádzky a teploty, no aj korelácie s využitím a zaťažením stroja a ďalšími parametrami umožňuje vytvoriť vzorec, na ktorého základe môže prísť nielen varovanie, ale aj odhad, koľko ešte súčiastka vydrží. Údržba tak nielen zabráni poruche, ale aj presne odhadne životnosť, aby sa zbytočne nevyhadzovala ešte použiteľná súčiastka.

To umožňuje okamžite využívať prediktívne riešenie údržby nastavením podmienených algoritmov. Ako napríklad „ak parameter X spadne mimo takých a takýchto intervalov, nastane reakcia Y“. Samozrejme, ide o kroky s vysokými nárokmi na kvalitu rozhodovania. Preto berú moderné systémy prediktívnej údržby naozaj veľa parametrov. V základnej matici môže súbor dát (Data Lake) sledovať tisíce ukazovateľov. Jeho strojové učenie potrebuje nejaký čas aj na vyladenie prirodzených rytmov prevádzky, ako sú voľné zmeny, víkendy či zmeny na plánovanú údržbu.

VZDELÁVANIE JE NÁSTROJ OPTIMALIZÁCIE

Ako efektívny prvok môže poslúžiť aj to, že so zariadením robí človek, ktorý ho už nejaký čas pozná. V organizáciách preto často sú rôzne reorganizácie v rámci pozícií. Nejde tak celkom o hierarchizáciu ako o zmenu konkrétnych činností, ktoré v niektorých prípadoch môžu byť pre jedného nadbytočné, pre druhého úplne nové a neznáme.

Aby sa tak mohlo diať bez vedľajších negatívnych dosahov, je potrebné neustále vzdelávanie. Možností, kde nadobudnúť teoretické aj praktické skúsenosti, je viacero. Od workshopov, školení až po duálne vzdelávanie, ktoré ide v niektorých prípadoch na úkor času údržbárov, ktorí okrem vykonávania práce musia zaúčať študentov. Aj údržba sa už totiž dostala medzi dôležité oblasti, ktorým sa venujú programy duálneho vzdelávania.

Pri nedostatku ľudí, ktorému v súčasnosti čelia oddelenia údržby rovnako ako iné útvary podnikov, je však zaradenie odborníkov na výchovu nových kolegov, najmä študentov, predmetom nie ľahkého rozhodovania. Ako ukazuje prax, môže mať pozitívne efekty. Ak učeň alebo študent nadobudne v škole dosť vedomostí a aspoň základné zručnosti, môže získavať skúsenosti reálne z výroby.

Potom, aj keď nedokáže nahradiť plnohodnotnú pracovnú silu, môže pracovať na menej náročných úlohách, čo je výroba alebo úprava jednoduchých súčiastok. Ak kvalifikovaný pracovník zaúča hoci aj dvoch mladých kolegov, získa časom pomoc s jednoduchými činnosťami a môže sa sústrediť na odbornú prácu a vykonávať náročnejšie úlohy.

Čo bude mať v roku 2019 najväčší vplyv na biznis v priemysle

Čo bude mať v roku 2019 najväčší vplyv na biznis v priemysle

Politický aktivizmus mení biznis model automobiliek

Politický aktivizmus mení biznis model automobiliek