→ PŘIHLÁSIT SE

Umělá inteligence může malým a středním podnikům přinést významné úspory v údržbě

Nejdražší jsou neodhalená selhání

Výrobní společnosti hledají řešení, která automatizují údržbu a zároveň snižují náklady. Tradiční vibrodiagnostické metody mohou v mnoha případech přijít pozdě. Jednou za čas provedené odečty za přítomnosti diagnostika nemusí odhalit závadu předem. Pan Zykmund ze společnosti České bramborové lupínky to ví. Již několikrát stálo firmu mnoho peněz špatné nastavení čerpadla v důsledku prohnutí rámu, které zapříčinilo poruchu zařízení a následné výpadky výroby.

Umělá inteligence v údržbě už není sci-fi

Vedoucí údržby si doma před odchodem do práce prohlíží na telefonu nejnovější zprávy a dostane upozornění, že na jednom z heliových kompresorů je zvuková anomálie. Současně knihovna umělé inteligence identifikuje uvolněný šroub na rámu kompresoru. Manažer zvedne telefon a zavolá svému kolegovi, který se chystá nastoupit na denní směnu, aby provedl cílenou kontrolu částí stroje. Včasným zásahem je zjištěna nesouosost zařízení. To by způsobilo selhání hřídele kompresoru a několikahodinový výpadek výroby.

Nejčastější nedostatek - kvalifikovaní pracovníci údržby

Příběhy firem, které se vydaly na cestu digitalizace, už nejsou jen sci-fi. Jsou to skutečné příklady toho, jak se malé a střední podniky vyrovnávají s nedostatkem kvalifikované pracovní síly na trhu. "Dříve jsme měli jednoho mechanika-údržbáře, který pravidelně obcházel všechny stroje a diagnostikoval jejich stav poslechem. Ale takoví zkušení kolegové odcházejí do důchodu a noví nepřicházejí," slýchám často od zástupců firem, kteří přicházejí do Neuron Soundware.

Příklad s heliovým kompresorem se týká českého výrobce přenosových zařízení pro automobilovém průmyslu. V tomto případě by porucha bez včasné identifikace znamenala tři hlavní věci: výměnu celého zařízení, jehož náhradní díl nemusí být právě teď na skladě, protože skladování náhradního zařízení je nákladné. Dále znehodnocení stávajících kusů zařízení ve výrobě a tedy vyřazení celé výrobní série. V neposlední řadě by to představovalo až 16 hodin prostoje ve výrobě. Ztráty by se vyšplhaly na desítky tisíc eur.

Trendem je vzdálené sledování strojů v reálném čase

Na takový kritický scénář nedojde, pokud je technologie údržby vybavena kromě mechanických znalostí strojů také umělou inteligencí. Ta znalosti sama aplikuje na aktuální stav stroje a je schopna rozpoznat, k jakému anomálnímu chování na stroji právě dochází, a na základě toho odeslat odpovídající upozornění s přesnými pokyny pro údržbu. Toho dnes využívají například výrobci mechanických zařízení jako jsou výtahy, eskalátory a mobilní zařízení. Na mezinárodním letišti v Německu naše zařízení tímto způsobem monitoruje pohyblivý chodník, detekuje možné poškození kol a hlásí potřebu jejich výměny.

Umělá inteligence pomáhá v různých fázích výroby

Technologie prediktivní údržby však mají mnohem širší využití. Díky schopnosti umělé inteligence učit se jsou velmi univerzální. Dokážeme například pomáhat při testování na konci výrobní linky. Realizovali jsme několik projektů v automobilovém průmyslu pro výrobce klimatizačních jednotek nebo palivových čerpadel. Nyní úspěšně identifikujeme vadné nebo potenciálně nespolehlivé disky kol, na kterých se náhodně objevují okem neviditelné praskliny. John Harper ze společnosti Maxion Wheels oceňuje zejména automatickou diagnostiku závady a srozumitelnost návodu, který mu přesně říká, co se na výrobku pokazilo. Druhá oblast použití spočívá v monitorování výrobních procesů. Můžeme si to představit na příkladu drtiče štěrku. Dopravník dopravuje různě velké kusy kamene do drtičů, které mají získat štěrk dané zrnitosti. Dříve výrobce nechával drtič běžet po předem stanovenou dobu, aby se ujistil, že i v případě největších kusů kamene dochází k dostatečnému drcení. Nyní může díky aplikaci zvukové diagnostiky nechat umělou inteligenci "naslouchat" velikosti štěrku a zastavit proces drcení ve správném okamžiku. To znamená nejen úsporu opotřebení drticího zařízení, ale především úsporu času a zvýšení objemu štěrku dodaného za směnu. To představuje pro výrobce velké finanční přínos.

Největší úspory jsou ve společnostech s vysokým počtem stejných zařízení

Při zavádění technologie prediktivní údržby nezáleží na tom, jak je společnost velká. Nejčastějším rozhodovacím kritériem je škálovatelnost nasazeného řešení. Ve firmách s velkým počtem mechanicky podobných zařízení je možné rychle shromáždit vzorky, které představují jednotlivé problémy a z nichž se neuronová síť učí. Ta pak může zpracovávat data z libovolného počtu strojů najednou. Čím více strojů, tím více příležitostí pro neuronovou síť učit se a aplikovat detekci nežádoucích zvuků. Výrobci polovodičů v Malajsii to vědí. Ti nyní nasazují technologii prediktivní údržby u všech svých vývěv, které jsou nezbytné pro výrobu, a pomáhají jim tak zvládat rostoucí poptávku po výpočetních jednotkách, například v automobilech.

Budoucnost prediktivní údržby: dostupná a všudypřítomná

Vzhledem k nákladům na výpočetní techniku a zpracování dat jsou technologie monitorování stavu obvykle určeny spíše pro větší provozy než pro dílny s několika obráběcími stroji. S postupným zlevňováním hardwaru a přenosu a zpracování dat se však tato technologie dostává i k nim. Takže i domácí výrobce marmelád bude mít brzy jistotu, že jeho stroje vyrobí dostatek produktů a dodají objednávky zákazníkům včas a nepokazí jeho pověst.

Prediktivní údržba bude v budoucnu nutností nejen v průmyslu, ale také například u větších elektrických spotřebičů jako jsou chladničky a kávovary nebo u automobilů. Všichni například poznáme poškozený výfuk nebo neobvykle znějící motor. Často je však příliš pozdě na to, abychom například z dovolené odjeli s autem bezpečně domů, aniž bychom navštívili servis. Po instalaci detekčního zařízení řízeného umělou inteligencí se o hrozící poruše dozvíme včas a budeme moci problém vyřešit, než se motor zadře a my budeme muset volat odtahovou službu. Tento případ se mimochodem stal mému známému a byl jedním z hlavních důvodů, proč jsme tuto technologii začali vyvíjet zde v České republice.

Text napsal Pavel Konečný pro Trade News 9/2021