Предиктивное обслуживание что это

Что нужно знать об эффектах внедрения технологий предиктивного обслуживания

Если говорить в целом, системы предиктивной аналитики (predictive maintenance, PdM) позволяют снизить расходы и повысить доступность техники. Но что это значит на практике? На какие финансовые показатели это влияет и как рассчитать экономический эффект от их внедрения? Эксперты Factory5 отвечают на эти и другие вопросы о технологии, которые могут возникнуть у финансового директора, IT-директора и главного инженера.

Почему важно учитывать стоимость обслуживания и ремонта

Основной производственный процесс тесно связан со вспомогательными процессами, и один из них — ТОиР. Например, если основной процесс на предприятии — переработка нефти для получения бензина, то вспомогательный — ТОиР насосов для перекачки нефти.
На техобслуживание и ремонт уходит значительная часть бюджета в любой отрасли. Вот только несколько примеров:

Какие затраты можно оптимизировать с помощью предиктивного обслуживания

Немецкая страховая компания Allianz отмечает, что предиктивное обслуживание помогает сократить не только убытки от простоя техники и остановки производства, но также серийные и косвенные убытки. Серийные еще можно назвать однотипными, то есть они масштабируются на все одинаковые установки на предприятии. Плюс в том, что решение серийной проблемы тоже можно масштабировать сразу на всю однотипную технику. Косвенные убытки, вызванные основной поломкой, например, перерыв в производственной или коммерческой деятельности предприятия, как правило, страхуются отдельно от имущества. Если такой страховки нет, косвенные убытки несет само предприятие, поэтому оно заинтересовано максимально сократить их.

В некоторых индустриях отказ техники может приводить не просто к остановке производства, но и к аварии. Это, например, энергетическая промышленность, общественный транспорт, авиация, нефтегазовые и химические производства. Если обнаружить предотказное состояние на раннем этапе и вовремя предпринять меры — это снизит риск ущерба окружающей среде и третьим лицам.

Капитальные и операционные затраты, которые можно снизить с помощью предиктивной аналитики:

Данные по нефтегазовой и горнодобывающей промышленности из исследования McKinsey Global Institute «The Internet of Things: Mapping the value beyond the hype»

Выгода при страховании

Предотвращение отказов и аварий означает сокращение технологических рисков. А где снижение рисков — там и возможное снижение страховых премий. Если оборудование сложное, уникальное или находится в уникальных условиях, страховые компании предлагают индивидуальные условия, которые определяют андеррайтеры с привлечением экспертов для оценки рисков. Эта практика больше развита в США и Европе, но постепенно приходит и к нам. Так, на страховую ставку может повлиять надежность оборудования, количество ремонтов и отказов. А снижение количества аварий косвенно влияет на страховую историю и делает компанию более надежной в глазах страхового агентства.

Для опасных производственных объектов (ОПО) в России нужно обязательное страхование гражданской ответственности их владельцев. Оно регулируется по 225-ФЗ, и на эти условия внедрение системы предиктивного обслуживания вряд ли может повлиять.

Отдельный сценарий использования PdM-систем в страховании — ретроспективный анализ уже случившихся поломок. Его можно проводить при возникновении споров по покрытию инцидента, при определении типа страхового случая и стороны, ответственной за инцидент.

Предиктивная аналитика делает процессы прозрачными

Финансовые директора часто не получают актуальные данные о состоянии техники и производстве. Подписывая план закупок и других расходов, они вынуждены полагаться на отчеты, которые составили другие сотрудники. Инженер мог попросить лишние запасные части и расходные материалы «впрок», а бухгалтер — заложить избыточный бюджет «на всякий случай».
Это напрямую влияет на бюджеты, выделяемые на закупку техники, ремонт и обслуживание. Благодаря непрерывному мониторингу и прогнозу технического состояния оборудования можно планировать состав работ и заказывать необходимые запасные части. Информация из PdM-систем помогает инженерам обосновать затраты, а финансистам — убедиться в их необходимости.

Что такое predictive maintenance и как это работает

Принято считать, что предиктивное обслуживание — следующий, новейший шаг в подходах к обслуживанию.

На самом деле оно сочетается со всеми предшествующими подходами и может их дополнять. Во-первых, предиктивная аналитика — необходимый элемент для ремонтов по состоянию, поскольку она отслеживает актуальные параметры оборудования, на основе которых инженер составляет план работ. Во-вторых, системы predictive maintenance помогают прогнозировать расходы на ремонт и обслуживание, что важно при планово-предупредительном подходе. Это позволяет избежать внезапных расходов, потребность в которых без PdM-систем часто обнаруживается только в процессе осмотра.

По сути, предиктивное обслуживание существовало и раньше. Специалисты проводили визуальную и инструментальную инспекцию оборудования, а потом на основе опыта и интуиции решали, когда стоит проводить техобслуживание. Сегодняшний этап развития PdM-подхода — это программные или программно-аппаратные комплексы для обработки больших данных. В режиме реального времени PdM-система анализирует данные телеметрии с помощью современных IT-технологий и находит скрытые взаимосвязи между множеством измеряемых параметров. Таким образом она выявляет аномалии и их причины, а также прогнозирует время до отказа.

Как оценить эффективность предиктивной аналитики

Оценка экономического эффекта — краеугольный камень любого проекта по цифровизации, в том числе и проектов по внедрению систем прогнозного обслуживания. Внедрение PdM имеет смысл для дорогого оборудования, замена которого гораздо дороже ремонта, и для критичного оборудования, которое при остановке или выходе из строя может принести существенные потери: недополученную прибыль, штрафы за задержки поставок или за ущерб окружающей среде. Поэтому перед внедрением стоит сравнить стоимость нового оборудования или его узла с затратами на их обслуживание и ремонт.

В статьях о прогнозном обслуживании можно встретить различные эффекты от внедрения PdM-систем и широкий диапазон оценок эффективности. Универсальной методологии оценки нет, так как на каждом предприятии своя специфика и структура затрат. Кроме того, цели внедрения тоже могут быть разными.

Приведем пример экономических эффектов от внедрения системы предиктивного обслуживания F5 PMM от Factory5 на предприятии, которое занимается сервисным обслуживанием подвижной техники. За счет раннего выявления предотказных состояний и аномалий удалось снизить количество внеплановых ремонтных работ на 60%, сократить время простоя в ожидании технического обслуживания на 20%, а трудозатраты на диагностику — на 150 тысяч человеко-часов. Также одним из косвенных эффектов было снижение потребления энергоресурсов на 1% за счет улучшения технического состояния оборудования.

Это привело к снижению прямых затрат на ремонт на 5-8% за счет минимизации восстановительных ремонтов, так как ремонтная служба устраняла дефекты на ранней стадии. Это дешевле, чем восстанавливать технику после аварии. Экономический эффект рассчитывали как разность между типовыми расходами на восстановительный ремонт после аварии и расходами на дополнительный плановый ремонт по результатам прогноза технического состояния.

Сокращение времени простоя привело к повышению коэффициента технической готовности (КТГ) на 4-10%. Это позволяет производить больше на тех же мощностях и избегать штрафных санкций за задержки, если они предусмотрены контрактом.

Эффект от дополнительной выручки можно рассчитать так: В = Тп * Вср + Ш В — дополнительная выручка Тп — время простоя техники Вср — среднее значение выручки за период или нереализованный планируемый уровень дохода по заключенным сделкам в результате внеплановой остановки техники Ш — штрафные санкции за задержки производства и поставок

Что важно учесть при внедрении PdM-систем

Предиктивная аналитика не должна ослаблять контроль и рассматриваться как «истина в последней инстанции». Это вспомогательный инструмент, его результаты нужно критически осмыслять. Например, в F5 PMM пользователь может подтвердить обнаруженную системой аномалию или не подтвердить. Система обучится на этих данных и впоследствии будет выдавать более точный результат.
Основные ошибки, которые можно допустить при внедрении predictive maintenance:

Системы PdM позволяют экономить деньги и трудозатраты, повышать безопасность процессов, собирать точные и актуальные данные. Перед внедрением предиктивной аналитики важно определить цели, которых компания хочет достичь с помощью этого инструмента, проинструктировать инженеров, сотрудников ИБ и всех, на чью работу повлияет новая система. И главное — помнить, что человеческий интеллект обязательно должен дополнять искусственный: система предоставляет данные, а решения принимает человек.

Источник

Как сократить расходы на обслуживание оборудования на 40%

Что такое предиктивное обслуживание промышленного оборудования и как эта методология помогает экономить

Industry 4.0, или четвертая индустриальная революция в корне изменила подходы в работе промышленного бизнеса.

Один из ключевых KPI — снижение затрат на обслуживание оборудования до 40% за счет увеличения его эффективности, снижения простоев и увеличения производительности технических специалистов. Но если для крупнейших мировых предприятий управление оборудованием и его показателями являются крайне важными, у нас эти процессы традиционно недооценивают.

Предиктивное обслуживание и методология RCM

Несвоевременное обслуживание промышленного оборудования — это не только прямые потери от поломки в виде затрат на новые запчасти. Это еще и сокращение объемов производства, расходы на реорганизацию и перепланирование процессов. Кроме того, срывы планов поставок, репутационные потери среди клиентов и партнеров, что ведет к еще большим затратам в будущем.

Сама технология предиктивного обслуживания основывается на методологии обслуживания на основании надежности (RCM).

Допустим, у нас на предприятии есть насос, закачивающий жидкость. В начале эксплуатации он выполняет работу идеально, но со временем у него забивается фильтр, показатели падают. В один прекрасный момент показатели падают до критической точки, когда насос уже не закачивает достаточное количество воды. В таком случае мы говорим о выходе оборудования из строя. Чтобы предотвратить такой сценарий, классическая методология обслуживания предусматривает замену этого насоса спустя определенное время — обычно средний показатель работы узла.

Но поломки не всегда происходят спустя одинаковое время. Иногда узел может продолжать работу в штатном режиме намного дольше, а иногда выходит из строя раньше срока. Методология RCM заключается не в расчете среднего срока службы, а в поиске той точки времени, в которой показатели работы начинают падать. Когда мы видим ухудшение показателей работы, то понимаем, что нужно готовиться к отказу оборудования, и можно проводить ремонт.

RCM лежит в основе предиктивного обслуживания, суть которого — в периодической или непрерывной оценке состояния оборудования. При таком подходе конечная цель — это техническое обслуживание в тот момент, когда это наиболее рентабельно. Выполняя ремонты по календарю, промышленные предприятия тратят миллионы на закупку запчастей и проведение работ там, где их можно было бы избежать. Сегодня все компании и предприятия идут к тому, чтобы совершенствовать способ обслуживания оборудования на основании прогноза.

От RCM — к Smart Predictive Maintenance

Развитие этой методологии и ее воплощение на предприятии идет последовательно.

Первый шаг — это отображение данных, мониторинг состояния оборудования, ручной контроль параметров.

Второй шаг — четкое понимание того, как изменение параметров влияет на работу оборудования, и выработка граничных значений, по достижению которых необходимо исправлять оборудование. Кроме пользы в виде предотвращения поломок, мониторинг и установка показателей помогают определить такие условия, при которых оборудование выполняет работу наиболее эффективно. Как только эти границы будут нарушены, можно взаимодействовать с оборудованием для восстановления максимально эффективного режима.

Следующий шаг — создание автоматической системы оповещений. На предыдущих этапах мониторинг показателей мог осуществляться вручную или же с помощью штрих-кодов, которые считываются мобильными устройствами и показывают состояние оборудования в реальном времени. Этот шаг предусматривает объединение всех данных в единую сеть и установку программы, которая бы автоматически генерировала предупреждения управляющему персоналу.

Последний шаг — это полностью автоматизированный контроль оборудования: система сама ведет весь процесс от мониторинга показателей до оформления заявок на ремонт и заказа необходимых комплектующих.

То, что выстраивается в итоге, называется smart predictive maintenance — умное, предупредительное обслуживание оборудования. Постоянный мониторинг и автоматизация обслуживанию не только предотвращают отказы чуть ли не со 100%-ной вероятностью, но и экономят предприятиям миллионы долларов в год.

Что еще изменит предиктивное обслуживание?

Кроме очевидного превосходства в предотвращении поломок и рациональном использовании ресурсов, такой подход дает еще несколько приятных бонусов.

Во-первых, генерация и обработка огромного массива данных о работе оборудования позволяет моделировать реалистичные сценарии его работы. Мы можем просмотреть показатели оборудования за вчера, за прошедшую неделю или за целый год, и на основании этих данных лучше понять, какие условия улучшают общие показатели компании, а какие — вредят. Предиктивное обслуживание дает возможность строить настоящие прогнозы и на основании четкого расчета управлять всем производственным процессом.

Во-вторых, при такой схеме обслуживания из процесса максимально выпадает человек. И хотя сокращение рабочих мест из-за роботизации — не лучший тренд, пользу для производства переоценить тяжело. Программное управление позволяет совершать мгновенный обмен данными и утверждать решения моментально, что экономит время и защищает производство от простоев. Ошибки, которые мог бы допустить человек по невнимательности или случайности, не могут быть совершены программой, которая имеет четкие установки. Это делает работу производственного предприятия в разы эффективнее и слаженнее.

Чтобы использовать эти методики, не обязательно иметь самое современное оборудование и оснащать его датчиками, методологические подходы работают на любом оборудовании

Системы, осуществляющие такое обслуживание, будут развиваться с помощью технологий искусственного интеллекта на основе машинного обучения.

Представим, что у нас есть сложная установка, которая выдает сотни показателей: температуру, давление, обороты, токи и так далее. Когда это оборудование выходит из строя, машинное обучение используется для прогнозирования неочевидных отказов. Мы можем не знать, какие параметры повлияли, что изменилось, человеку это сложно определить. Компьютер и машина могут анализировать огромные потоки данных и обучаться на показателях прошлого, чтобы в будущем предотвратить поломки даже самых сложных систем.

Это лишь малая часть того, чем являются современные системы контроля производства. В целом, они состоят из каталогов оборудования, архивов документов, учета движения оборудования и узлов, карт ремонтов, управления заявками и работами, нарядов-допусков, разборов инцидентов, учета и анализа простоев, управления складом, закупки и списания, управления персоналом и т.д. Все эти системы существуют и применяются уже сегодня, постоянно совершенствуя не только внутренние системы, но и оболочку. Разработчики из года в год делают интерфейс проще и понятнее для работы, а платформой для использования таких решений может быть обычный смартфон или планшет.

Такой подход к обслуживанию показывает значительные экономические результаты, быстро окупается, демонстрирует хорошие показатели снижения затрат на обслуживание оборудования и повышение технической готовности. Но самое главное — чтобы использовать эти методики, не обязательно иметь самое современное оборудование и постоянно оснащать его датчиками. Методологические подходы работают на любом оборудовании, что особенно важно для производственных предприятий Украины.

Автор: Кирилл Костанецкий, руководитель проекта SmartEAM

Источник

Подходы к техническому обслуживанию: как правильно выбрать и избежать ошибок

С момента появления сложного производственного оборудования встал вопрос о поддержании его должного технического состояния, проведения ремонтных работ, обеспечении непрерывности производства и эксплуатации производственных единиц на предельной мощности. С тех пор сформировалось несколько подходов к техническому обслуживанию, обладающие своими преимуществами, недостатками и областями применения. Рассмотрим каждую из них и сравним друг с другом.

Изначально, когда состояние оборудования оценивалось специалистом, принимались во внимание значения выходных параметров: температура, шум, вибрация оборудования и другие параметры. Сегодня диагностика предоставлена датчикам, математическим алгоритмам и сложным системам предиктивного анализа. Тем не менее, первые стратегии технического обслуживания используются и в наши дни.

Самый первый и простейший подход к техническому обслуживанию — это аварийное обслуживание. Он заключается в проведении ремонта после отказа и считается пассивным.

В условиях, когда он появился, выбора подходов не было: диагностика технического состояния оборудования производилась специалистом с опытом работы на этом оборудовании и незамысловатыми инструментами. Сегодня эта стратегия используется в отношении недорогого вспомогательного оборудования, которое всегда имеется в резерве.

Многолетние наблюдения и фиксация данных об оборудовании в период использования данной стратегии позволили выявить закономерности, среднюю длительность службы тех или иных деталей и составить регламент технического обслуживания. Так появилась стратегия планово-предупредительных работ.

Превентивное обслуживание позволило перейти на безаварийное функционирование оборудования на предприятии. Планово-предупредительный ремонт основывается на техническом обслуживании оборудования до возникновения поломки по специальному регламенту. К сожалению, эта стратегия дает только иллюзию контроля, при этом «съедает» неиллюзорные деньги. На практике в рамках этой стратегии некоторые детали не отрабатывают весь свой потенциал и заменяются раньше времени. Работа производится без особой необходимости, а вмешательство в оборудование может приводить к дальнейшим неполадкам, которых можно было бы избежать. Другие детали выходят из строя раньше положенного по графику срока так же непредсказуемо и неожиданно, как и раньше.

Ремонт по состоянию подразумевает обслуживание составных частей и оборудования с наибольшим износом и риском аварии в определенный момент времени. Данная стратегия позволяет не проделывать лишнюю работу и производить техническое обслуживание и ремонт тогда и в том объеме, в котором это действительно необходимо.

Для стабильного мониторинга технического состояния оборудования необходим относительно высокий уровень цифровизации производства, который часто бывает уже достигнут за счёт встроенных систем самодиагностики оборудования и систем управления им. Для оценки технического состояния их достаточно, а для мониторинга техсостояния достаточно собирать оценки в каждый момент времени. Исходя из оценок, сотрудники службы эксплуатации уточняют график ППР, что является первой стадией обслуживания по фактическому техническому состоянию.

Для прогнозного обслуживания не достаточно знать текущее состояние машины и ее компонент. Необходимо больше данных, чтобы спрогнозировать изменения технического состояния в ближайшие как минимум две недели. Однако даже этого часто бывает недостаточно, потому что непредсказуемые поломки из-за действий человека — не редкость. Поэтому необходимо ещё и программное обеспечение, способное анализировать большие объёмы потоковых данных в режиме реального времени и помочь человеку своевременно проводить ремонт оборудования для гарантии непрерывности бизнеса.

Для такого подхода необходимо внедрение новых датчиков, систем анализа собираемых данных и решения по предиктивной аналитике. Такой набор способен предсказывать наиболее точное время и место появления неполадок и давать рекомендации по необходимому ремонту, автоматически создавать рабочие задания в информационной системе управления ТОиР и контролировать их исполнение, принимать отчётность от работников и отслеживать влияния их работы на фактическое состояние машины.

Цифровизация и инновационные решения по предиктивной аналитике способствовали появлению и развитию эффективных стратегий технического обслуживания оборудования. Современный подход к проблеме имеет много преимуществ, однако требует масштабных предварительных работ и материальных вложений. Это может не соответствовать уровню и стоимости обслуживаемого оборудования.

В некоторых ситуациях наиболее целесообразным будет выбор простейшего подхода к техническому обслуживанию и ремонту: как с материальной, так и с технической точки зрения.

Чаще всего парк оборудования делится сообразно его готовности к тому или иному подходу ТОиР: прессы ремонтируют по факту поломки, а критически-важные компоненты самолётов — по прогнозу их технического состояния. Современные ИТ-решения позволяют выбирать правильный подход и правильную стратегию под каждый компонент каждой единицы оборудования в многотысячных парках машин.

Источник

Всё, что нужно знать о предиктивном обслуживании оборудования

Одно из ключевых достижений ІТ-сферы в промышленности — сокращение затрат на обслуживание оборудования. Такие технологии, как Predictive Maintenance, уже хорошо зарекомендовали себя во многих сферах и позволяют снизить простои, увеличить продуктивность агрегатов и оптимизировать себестоимость производства. Рассказываем, как работает методология, с чего начать внедрять Predictive Maintenance и какие выгоды от этого получает компания.

Почему лидеры внедряют Predictive Maintenance?

Мастодонты индустрии вроде Toyota и Motorola прописывают диагностику оборудования в бизнес-стратегии, ведь от этих показателей напрямую зависит прибыль компании. К сожалению, в Восточной Европе такие подходы к диагностике и обслуживанию оборудования нередко остаются непонятыми или недооцененными.

На контроль и состояние оборудования тут часто смотрят упрощённо: поломка = затраты на новые детали и запчасти. Шире, поломка — это сокращение объёмов производства, затраты на реорганизацию процессов, оплату труда и срывы плановых поставок. В конечном счёте это ещё и возможный ущерб репутации, финансовые потери от которого предугадать невозможно.

Руководители, которые не видят описанных выше трат, часто практикуют традиционные подходы:

Реактивный — где идёт наработка на отказ; используется, когда оборудование легко заменяется или ремонтируется без ущерба для производства.

Превентивный — аналогичен системе планово-предупредительных ремонтов (ППР); используется для оборудования, стоимость простоя которого некритична, а ремонт не занимает много времени.

На сегодняшний день эти подходы недостаточно эффективны для качественного решения проблем выхода оборудования из строя. Человеческий фактор, проблемы с организацией данных и отсутствие полной картины по предприятию всегда будут источниками стресса, простоев и перерасходов.

Представьте, что у предприятия есть насос, который первое время эксплуатации работает исправно. Со временем его показатели снижаются из-за, к примеру, забивки фильтра. Позже наступает момент, когда насос не качает нужное количество воды, а продуктивность падает до критической точки. Оборудование выходит из строя. Если это происходит в момент работы оборудования с сырьём, последствия становятся ещё более плачевны.

Что в этих случаях предлагают традиционные подходы к обслуживанию оборудования? Периодически заменять насосы, к примеру, по среднему показателю работы узла. Это неплохое решение, но проблема таких подходов в том, что они не учитывают специфику узлов. Некоторые из них могут выйти из строя раньше или позже срока, и применять к ним один шаблон не стоит. В результате предприятие номинально занимается обслуживанием оборудования, а на деле всё ещё теряет в его эффективности.

Как начать внедрять Predictive Maintenance?

Информация — ядро эффективности предиктивного обслуживания, поэтому начинать следует с обработки данных. Она включает в себя:

Следующий шаг — это постройка причинно-следственных связей между изменением параметров и работой оборудования. В результате:

Факт: как только показатели падают, алгоритм автоматически уведомляет о необходимости подладки. Все показатели объединены в единую сеть, поэтому руководство всегда будет знать о рисках и возможных неполадках.

Третий этап внедрения Predictive Maintenance — полностью автоматизированный контроль оборудования на предприятии. Система максимально эффективно управляет всеми процессами, в том числе:

Дополнительные преимущества Predictive Maintenance и RCM

Эффективное использование ресурсов предприятия — главный плюс прогнозного обслуживания, но есть и другие преимущества. Первое из них: полноценная картина показателей производства. Системы, такие как SmartEAM, работают с большими данными (Big Data) и, анализируя их, моделируют реалистичные сценарии работы. Например, для прогнозирования неочевидных отказов алгоритмы Machine Learning анализируют показатели прошлой работы, чтобы предотвращать поломку. Человеку это не под силу.

Это позволяет руководителям принимать эффективные решения на основе данных за вчера, за прошедший месяц или год. Планирование финансов и продаж становится более прозрачным, а расчёты — более точными.

Второе преимущество: практически полное исключение человеческого фактора. Система руководит данными, как оркестром, мгновенно принимая нужные решения и избегая ошибок вроде дубликатов, некорректного ввода или случайного редактирования показателей. При этом решения предиктивного обслуживания не обязательно требуют современного оборудования и датчиков. Методология слаженно работает на любом оборудовании.

Команда SmartEAM работает над решениями, которые увеличивают срок службы оборудования, оптимизируют расходы и позволяют принимать решения на основе актуальных и точных данных.

Получите бесплатную консультацию от нашего специалиста, заполнив форму на сайте.

Источник