Gdy staje jedno stanowisko testowe, staje cała linia: predykcyjne utrzymanie ruchu na linii produkcyjnej

Jedno stanowisko testowe może zatrzymać całą linię produkcyjną. Gdy urządzenia weryfikujące, kalibrujące lub obciążające produkt przestają działać, gotowe sztuki piętrzą się bez możliwości dalszego przekazania, poprzedzające stanowiska pozostają bez pracy, a harmonogram obiecany klientom po cichu się wydłuża. Maszyny wykonujące te zadania, od zautomatyzowanych manipulatorów testowych i funkcjonalnych stanowisk testowych po stanowiska wciskania i silniki układów transportowych, zużywają się w sposób rzadko nagły i niemal zawsze poprzedzony mierzalnymi sygnałami ostrzegawczymi.

Wraz z włączaniem przez producentów sztucznej inteligencji i monitorowania stanu do zakładów predykcyjne utrzymanie ruchu przestało być modnym hasłem, a stało się strategią zapewniania ciągłości pracy linii. Monitorowanie stanu i predykcyjne utrzymanie ruchu zamieniają te sygnały ostrzegawcze w zapas czasu. Obserwując, jak urządzenia zachowują się w typowych cyklach, i porównując to zachowanie ze znanym stanem bazowym, można wykryć rozwijającą się usterkę, gdy jest jeszcze niewielkim problemem, i zaplanować naprawę na własnych warunkach, a nie na warunkach maszyny.

W artykule omawiamy:

• Sygnały, które mają znaczenie
• Jak działają wyznaczanie stanu odniesienia i wykrywanie anomalii
• Co wnosi szacowanie pozostałego okresu użytkowania
• Dlaczego alarm to nie to samo co prognoza
• Jak całość łączy się z systemem MES i szerszymi systemami produkcyjnymi

Dlaczego przestój stanowiska testowego zatrzymuje całą linię

Linia porusza się z prędkością swojego najwolniejszego obowiązkowego etapu. Sprzęt testowy i montażowy niemal zawsze leży na ścieżce krytycznej, ponieważ każda jednostka musi przez niego przejść, więc gdy jedno z takich stanowisk przestaje działać, skutek nie jest lokalny. Rozchodzi się w obu kierunkach i zamienia pojedynczą awarię sprzętu w bezczynnych operatorów, zablokowaną produkcję w toku i opóźnione dostawy.

Stanowiska testowe są wąskimi gardłami z założenia. Ich zadaniem jest kontrola jakości, co oznacza, że produkt nie może przejść dalej, dopóki stanowisko go nie zatwierdzi. Zacięcie podajnika, zużyty styk lub komora termiczna, która wychodzi poza specyfikację, nie tylko spowalnia przepustowość, ale całkowicie zatrzymuje tę bramkę i pozostawia wszystko, co za nią, w zawieszeniu.

Nieplanowane przestoje kosztują znacznie więcej niż planowane. Awaryjna naprawa odciąga techników od innych zadań, często wymusza oczekiwanie na części, których nie ma w magazynie, i zwykle zdarza się w najgorszym możliwym momencie. Konserwacja wykonywana w zaplanowanym oknie kosztuje ułamek tej samej naprawy przeprowadzanej pod presją, przy stojącej linii i czekających zamówieniach.

Sygnały, które świadczą o stanie technicznym urządzeń

Większość awarii mechanicznych i elektromechanicznych zapowiada się poprzez sygnatury fizyczne na długo przed tym, zanim spowoduje zatrzymanie. Trzy rodziny sygnałów niosą większość użytecznych informacji i razem obejmują zdecydowaną większość rodzajów awarii w produkcyjnym sprzęcie testowym i montażowym.

• Sygnatury drgań: Łożyska, przekładnie, pasy i wrzeciona wytwarzają charakterystyczne wzorce drgań. W miarę degradacji energia przesuwa się do określonych pasm częstotliwości, więc rosnący pik przy częstotliwości wady łożyska jest wczesnym i konkretnym wskaźnikiem zużycia, na długo przed pojawieniem się słyszalnego hałasu.
• Sygnatury temperaturowe: Ciepło jest wiarygodnym wskaźnikiem tarcia, strat elektrycznych i problemów z chłodzeniem. Silnik, napęd lub przekładnia, których temperatura rośnie z cyklu na cykl przy tym samym obciążeniu, sygnalizują, że wewnątrz nich coś się zmieniło.
• Sygnatury prądu silnika: Prąd pobierany przez silnik odzwierciedla obciążenie mechaniczne. Analiza tego prądu pozwala wykryć uszkodzone pręty wirnika, nieprawidłowe ustawienie oraz narastający opór mechaniczny bez dodawania czujników do maszyny, ponieważ sam silnik pełni funkcję przetwornika.

Żaden pojedynczy sygnał nie pokazuje całej historii. Połączenie drgań, temperatury i prądu oraz powiązanie ich z liczbą cykli i kontekstem produkcji daje znacznie wyraźniejszy obraz rzeczywistego stanu urządzeń niż którykolwiek kanał osobno.

Poza klasyczną triadą: sygnały testowe i czujniki z funkcją samodiagnostyki

Trzy opisane powyżej rodziny sygnałów są skuteczne, ale odwzorowują tylko część dostępnego obrazu. We współczesnych urządzeniach do testowania i montażu wewnątrz samej maszyny istnieje dodatkowa, bogata warstwa informacji diagnostycznych: w czujnikach, które wykonują test.

Przetworniki ciśnienia, sondy temperatury, czujniki położenia, systemy ultradźwiękowe, systemy wizyjne i kamery termowizyjne są wykorzystywane przede wszystkim do charakteryzowania badanego produktu. Każde z tych urządzeń jest jednak także źródłem informacji o stanie samej maszyny. Czujnik ciśnienia, który nieznacznie odbiega od skalibrowanej wartości bazowej, wskazuje na problem z oprzyrządowaniem, uszczelnieniami lub obwodem zasilania, a nie tylko na właściwości testowanej części. System wizyjny, który z czasem rejestruje narastające rozmycie krawędzi lub spadek kontrastu, może sygnalizować zanieczyszczenie obiektywu albo luz siłownika, zanim jakakolwiek sztuka nie przejdzie kontroli wizualnej.

Ma to znaczenie, ponieważ dane z wyników testów same w sobie należą do najwcześniejszych i najbardziej miarodajnych wskaźników stanu. Stopniowe odchylenie wyniku konkretnego testu, na przykład pomiar zbliżający się do granicy tolerancji bez jej przekroczenia, rzadko jest przypadkowym szumem. Może odzwierciedlać rzeczywistą zmianę w populacji produktów, ale równie dobrze może wynikać ze zmiany samej maszyny lub warunków testu. Rozróżnienie jednego od drugiego wymaga skorelowania wyników testów z kontekstem otoczenia (temperatura otoczenia o danej porze dnia, system zmianowy, osoba obsługująca itp.) oraz ze stanem wewnętrznym czujników wykonujących pomiar.

Gdy takie sygnały są zbierane w sposób ciągły i przekazywane do platformy analitycznej, własna infrastruktura testowa maszyny staje się podsystemem samodiagnozującym. Anomalie, które wcześniej ujawniałyby się wyłącznie jako niewyjaśnione straty uzysku lub nagła awaria kalibracji, pojawiają się jako użyteczne wskaźniki wyprzedzające, na tygodnie lub dni, zanim problem dotrze do produktu.

Wyznaczanie stanu odniesienia i wykrywanie anomalii

Surowe dane z czujników niewiele znaczą bez punktu odniesienia. Pierwszym zadaniem każdego programu monitorowania stanu jest ustalenie, jak wygląda stan normalny każdych aktywów w każdym trybie pracy, a ten „odcisk palca” sprawnej maszyny staje się miarą, do której porównuje się wszystko inne.

Wyznaczanie wartości bazowej rejestruje prawidłowe zachowanie. W reprezentatywnym okresie system zapisuje normalne zakresy i wzorce każdego sygnału przy różnych obciążeniach, prędkościach i typach produktów. Wartość bazowa uwzględnia to, że stanowisko zachowuje się inaczej podczas testowania jednego wariantu niż innego.

Wykrywanie anomalii sygnalizuje istotne odchylenia. Gdy istnieje wartość bazowa, platforma śledzi odstępstwa, które są statystycznie istotne, a nie tylko chwilowym szumem. Celem jest oddzielenie prawdziwego opadania tłoka, czyli powolnego zmierzania ku awarii, od zwykłej zmienności, która występuje na każdej linii, każdego dnia.

Kontekst ogranicza liczbę fałszywych alarmów. Odczyt, który wygląda niepokojąco sam w sobie, może być zupełnie normalny dla danego produktu lub warunków otoczenia. Powiązanie wykrywania anomalii z kontekstem produkcji pozwala skupić się na rzeczywistych problemach i chroni wiarygodność każdego alertu, który zostaje wygenerowany.

System, który się uczy i formułuje zalecenia

Statyczne progi i stałe wartości bazowe to punkt wyjścia, a nie cel. Najbardziej zaawansowane platformy predykcyjnego utrzymania ruchu stale się rozwijają, gromadząc historię eksploatacji. Każdy cykl pogłębia wiedzę modelu o tym, jak wygląda dana maszyna w określonej konfiguracji, porze roku i kontekście produkcyjnym.

Gdy agentowa sztuczna inteligencja zostaje zastosowana do tego ciągłego strumienia danych, system wykracza poza samo wykrywanie i przechodzi do formułowania zaleceń. Zamiast wskazać anomalię i pozostawić jej interpretację inżynierowi, warstwa agentowa może sklasyfikować prawdopodobny rodzaj uszkodzenia, porównać go z pełną historią danych aktywów i zbiorowym doświadczeniem z całej floty oraz zaproponować konkretne działanie naprawcze: który komponent, jaką procedurę i w jakim oknie czasowym. W kolejnych cyklach konserwacji rośnie dokładność szacunków pozostałego okresu użytkowania, maleje odsetek fałszywych alarmów, a zalecenia systemu stają się coraz precyzyjniejsze.

Ta zdolność ciągłego uczenia się przekształca predykcyjne utrzymanie ruchu z dyscypliny monitorowania w operacyjne aktywa wiedzy. Im dłużej system pracuje, tym lepiej zna każdą maszynę i tym pewniej może zobowiązać się do harmonogramu konserwacji, który chroni zarówno aktywa, jak i plan produkcji.

Od alarmów do prognozowania i pozostałego okresu użytkowania

Tu predykcyjne utrzymanie ruchu odróżnia się od tradycyjnego monitorowania. Alarm informuje, że coś już przekroczyło granicę, natomiast prognoza mówi, ile czasu pozostało, zanim do tego dojdzie.

Alarmy to reaktywne progi. Temperatura przekracza limit, poziom drgań przekracza wartość zadaną i system zgłasza ostrzeżenie. Jest to przydatne, ale w chwili, gdy stały próg zostaje przekroczony, uszkodzenie jest często już mocno zaawansowane, a Państwa możliwości działania są ograniczone.

Prognostyka jest ukierunkowana na przyszłość. Zamiast raportować stan bieżący, modeluje przebieg degradacji i wskazuje, dokąd on prowadzi. To przejście od tego, co dzieje się teraz, do tego, co wydarzy się dalej, umożliwia proaktywne planowanie.

Pozostały okres użytkowania (RUL) pozwala to wyrazić liczbą. Szacowanie RUL przekłada trendy degradacji na przewidywane okno czasowe, zanim komponent osiągnie kres okresu eksploatacji. Mając oszacowanie RUL, planista może odpowiedzieć na pytanie, które naprawdę ma znaczenie: czy ta maszyna dotrwa do następnego planowego okna, czy wymaga uwagi wcześniej.

Działanie na podstawie prognozy przebiega według jasnej sekwencji:

1. Wykrycie anomalii na tle ustalonego stanu odniesienia.
2. Klasyfikacja prawdopodobnego rodzaju awarii na podstawie charakterystycznych cech sygnałów.
3. Oszacowanie pozostałego okresu użytkowania oraz stopnia pewności tej oceny.
4. Zaplanować interwencję w ramach przewidzianego okna serwisowego i przygotować części.
5. Przed ponownym wprowadzeniem aktywów do eksploatacji należy zweryfikować naprawę względem wartości bazowej.

Integracja z systemem MES i systemami produkcyjnymi

Dane o stanie technicznym w pełni pokazują swoją wartość dopiero wtedy, gdy są dostępne razem z pozostałymi informacjami produkcyjnymi. Informacje o stanie urządzeń przechowywane w odrębnym silosie monitoringu zmuszają pracowników do ręcznego łączenia faktów, a właśnie ten ręczny krok jest miejscem, w którym giną wnioski.

Integracja z systemem MES dodaje kontekst produkcyjny. Gdy sygnały o stanie technicznym są powiązane ze zleceniem produkcyjnym, wariantem produktu, recepturą i cyklem realizowanymi w danym momencie, anomalia przestaje być abstrakcyjnym odczytem, a staje się konkretną historią dotyczącą konkretnego zadania na konkretnej maszynie.

Wspólne dane usprawniają harmonogramowanie. Włączenie szacunków RUL do planowania konserwacji i harmonogramowania produkcji sprawia, że oba obszary współpracują zamiast ze sobą konkurować, dzięki czemu naprawy trafiają w rzeczywiste luki, a linia dotrzymuje zobowiązań, choć prace nadal są wykonywane.

Zdalny wgląd skraca czas reakcji. Prezentowanie stanu urządzeń na pulpitach dostępnych dla inżynierów i kierowników z dowolnego miejsca sprawia, że rozwijający się problem szybko trafia pod ich uwagę, niezależnie od tego, czy odpowiedni ekspert jest na hali, czy po drugiej stronie kraju.

Utrzymanie ciągłości pracy linii dzięki Ascential Test & Measurement Systems

Platforma analityczna Ascential Test & Measurement Systems, Ascentialytics, służy do tego, aby sygnały pochodzące z Państwa sprzętu testowego i montażowego zamieniać w decyzje, na podstawie których można działać. Dostarcza wnioski w czasie rzeczywistym, wykrywa anomalie względem wyuczonych wartości bazowych i na bieżąco śledzi kondycję sprzętu, dzięki czemu rozwijająca się usterka na krytycznym stanowisku testowym pojawia się jako czytelny, nadany priorytet alert, a nie jako niespodziewane zatrzymanie.

Wraz z naszym serwisem terenowym, Ascential Care, ta widoczność staje się partnerstwem. Zespół serwisowy zapewnia zdalny monitoring i wsparcie ekspertów dla Państwa aktywów, śledzi trendy kondycji razem z Państwa zespołem, pomaga interpretować anomalie i zaleca interwencje, zanim skończy się pozostały okres użytkowania. Całość w naturalny sposób łączy się z Państwa systemem MES i systemami produkcyjnymi, dzięki czemu stan sprzętu wpływa na ten sam harmonogram, według którego pracują wszyscy pozostali.

Jeśli nieplanowany przestój stanowiska testowego kiedykolwiek zatrzymał Państwa całą linię, warto sprawdzić, co może dla Państwa zrobić ciągłe monitorowanie stanu. Prosimy o kontakt – opowiemy, jak nasz zespół pomoże wcześnie wykrywać problemy, planować naprawy na Państwa warunkach i utrzymać ciągłość produkcji.

Najczęściej zadawane pytania

Czym różni się monitorowanie stanu od predykcyjnego utrzymania ruchu?

Monitorowanie stanu technicznego to praktyka mierzenia sygnałów sprzętu, takich jak drgania, temperatura i prąd silnika, w celu śledzenia kondycji w czasie. Predykcyjne utrzymanie ruchu opiera się na tych danych i wykorzystuje wyznaczanie wartości bazowych, wykrywanie anomalii oraz szacowanie pozostałego okresu użytkowania, aby prognozować awarie i planować naprawy, zanim dojdzie do usterki.

Jak w praktyce szacuje się pozostały okres użytkowania?

Szacowanie RUL analizuje, jak sygnatury sygnałów danego komponentu oddalają się od jego zdrowej wartości bazowej. Modeluje też, jak taka degradacja będzie przebiegać w przyszłości, aby prognozować, kiedy część osiągnie kres okresu eksploatacji. Wynikiem jest przewidywane okno czasowe wraz z poziomem ufności, na podstawie którego planiści mogą zdecydować, czy aktywa mogą bezpiecznie poczekać do kolejnej planowej konserwacji.

Dlaczego sam alarm to za mało?

Alarm informuje, że wartość przekroczyła stały próg, co zwykle oznacza, że usterka już się rozwija, a czas na reakcję jest krótki. Prognozowanie patrzy w przyszłość i szacuje, ile okresu użytkowania jeszcze pozostało, dzięki czemu konserwacja z gorączkowego działania staje się planową czynnością, którą można zaplanować na własnych warunkach.

Czy na każdej maszynie trzeba zamontować dodatkowe czujniki?

Nie zawsze. Wiele sygnałów jest już dostępnych, ponieważ analiza prądu silnika wykorzystuje sam silnik jako czujnik, a wiele nowoczesnych napędów i sterowników udostępnia użyteczne dane. Tam, gdzie potrzebne jest szersze pokrycie, ukierunkowany pomiar drgań i temperatury na aktywach o najwyższym ryzyku często zapewnia większość korzyści bez wyposażania w czujniki wszystkiego.

Warto też pamiętać, że czujniki wbudowane w sam sprzęt testowy, takie jak przetworniki ciśnienia, enkodery położenia, systemy wizyjne i kamery termowizyjne, są w dużej mierze niewykorzystanym źródłem danych o kondycji maszyny. Włączenie analizy samodiagnostycznej tych przyrządów może znacząco rozszerzyć zakres monitorowania stanu technicznego bez dodatkowego sprzętu.

W jaki sposób predykcyjne utrzymanie ruchu łączy się z systemem MES?

Dane o kondycji sprzętu stają się znacznie bardziej użyteczne, gdy zostaną skorelowane ze zleceniem, produktem i kontekstem cyklu, które przechowuje system MES. Integracja obu pozwala powiązać anomalie z konkretnymi zleceniami oraz włączyć szacunki pozostałego okresu użytkowania do planowania konserwacji i produkcji, tak aby naprawy mieściły się w zaplanowanych oknach.

Czy system może z czasem zwiększać swoją dokładność?

Tak. Platformy oparte na ciągłym uczeniu doskonalą swoje modele z każdym cyklem i każdym rozwiązanym zdarzeniem serwisowym. Warstwy agentowej sztucznej inteligencji mogą porównywać sygnatury uszkodzeń w całej flocie, automatycznie aktualizować modele degradacji oraz zwiększać szczegółowość zaleceń naprawczych w miarę gromadzenia historii eksploatacji. Dzięki temu system z czasem coraz dokładniej szacuje RUL i coraz bardziej ukierunkowuje rekomendowane działania.

Źródła

1. NIST, Measurement Science Roadmap for Prognostics and Health Management for Smart Manufacturing Systems
2. DOE OSTI, Operations and Maintenance Best Practices, A Guide to Achieving Operational Efficiency (Release 3)
3. NIST, Economic Analysis of Technology Infrastructure Needs for Advanced Manufacturing, Smart Manufacturing