Pod pojmem servis si asi většina lidí v prvním momentě představí opravu správně nefungujícího zařízení, tedy zásah na zařízení až poté, co se s ním něco stane a nepracuje jak má. Prostě dokud zařízení či stroj funguje, tak se do něj pokud možno nic neinvestuje.

Až následně některé napadne i výraz "preventivní servis" v běžném životě převážně spojený s pravidelnými výměnami provozních kapalin a dílů u automobilů nebo případně preventivní kontrola kotle. Zde jde o dopřednou včasnou výměnu částí zařízení, kterým po nějaké předem přesně definované době již mohou být příliš opotřebené nebo časem a podmínkami narušené tak, že v následné době by mohlo dojít k jejich závada či zničení. Dobu podobných preventivní servisů obvykle buď definuje výrobce daného zařízení na základě jeho výpočtů, testů a zkušeností nebo přímo v zákoně či vyhlášce stát, pokud jde o předměty a zařízení, jejichž selhání by mohlo být životu nebezpečné. Nevýhodou každého preventivního servisu však obvykle bývá určitá míra "plýtvání", protože se části zařízení kontrolují či vyměňují obvykle výrazně dříve, než by byla jejich skutečná životnost, protože se v těchto případech pro stanovení termínů obvykle vychází ze situace, že zařízení bylo provozováno po celou dobu na maximální výkon a v limitních výrobcem povolených podmínkách. Výrobce či zákon se tím "sichruje", že prostě při definovaném povoleném užívání nedojde k poškození / zničení dříve než je definováno.

Typický příklad prevetivního servisu z praxe každého uživatele automobilu je například poměrně nákladná rozvodů a obvykle i vodní pumpy chlazení automobilu po počtu ujetých kilometrů či proběhlé časové době, přičemž by v mnoha případech málo jetých a garážovaných (povětrnostním podmínkách málo vystavených) autech by bylo možné výměnu jistě provádět i později. Na druhou stranu, pokud je náhodou zařízení používáno nevhodně mohou případně některé jeho části "odejít" i dříve než definoval výrobce. Problém je, že až doposud si zařízení nebyla ve většině případů sama schopna zjišťovat, jakých je jejich konkrétní provozní stav podle jejich konkrétních podmínek provozu a tím si sami definovat svojí konkrétní skutečnou životnost.

Moderní zařízení by toho již měla být schopna a podle svých konkrétního stavu si včas, ale zbytečně brzo vyžádat opravu či údržbu dříve, než nastane nějaký jejich porucha. Tomuto režimu se dnes začalo říkat "prediktivní údržba" a má za cíl maximálně eliminovat zbytečné náklady jak na zbytečně brzký servis a výměnu komponent, tak za případné urgentní servisy a prostoje v případech oprav již porouchaného stroje.

Prediktivní údržba - jak na ni?

Aby bylo možné skutečně efektivně využívat režim prediktivní údržby, tedy opravdu včasné údržby nebo servisu v pro každý daný konkrétní stroj či zařízení, není možné se spoléhat jen na výsledky testů a zkušeností výrobce či případně různých státních zkušeben vybraných vzorků (jako v režimu preventivního servisu), ale je nutné i pečlivě průběžně od prvního spuštění každého stroje/zařízení jej diagnostikovat a výsledky průběžně i vyhodnocovat.

Záměrně píši "i", protože samozřejmě ideální stav každé prediktivní údržby je zahrnout do predikce (tedy odhadu) co nejvíce všech možných relevantních informací, tedy jak přímo naměřené provozní hodnoty každého daného zařízení, tak i všechny dostupní výsledky testů jiných zařízení podobných vlastností, ideálně pak i nasbíraných naměřených hodnot všech zařízení podobného typu provozovaných na celém světě. Zde je pak patrné, že co ideálně fungující režim prediktivní údržby nelze vykonávat na úrovni výpočetních jednotek jednotlivých strojů či linek, ale ideálně vyžaduje připojení všech strojů na centrální cloud server, kam se budou odesílat všechny naměřená data a kde se budou provádět i následné jejich vyhodnocení.

Tedy shrnutě napsáno, ideálně fungující prediktivní údržba se sice provádí na míru každému provozovanému zařízení, ale na základě přihlédnutí / porovnání jeho naměřených provozních dat vzhledem ke stejným či podobným datům získaných od stovek, tisíců či více podobných zařízení. Pouze tak lze včas eliminovat i provozní problémy způsobené například výrobní vadou, se kterou původně nikdo nepočítal a které může způsobovat výrazně kratší životnost než se původně ze strany výrobce usuzovalo. Pokud predikce údržby bude probíhat je na základě vyhodnocení naměřených dat na každém stroji odděleně, nelze tyto nečekané problémy postihnout z prediktivní údržby bude jen o něco vylepšená preventivní údržba.

Z výše uvedeného vyplývá, že ideálně pojatá a fungující režim prediktivní údržby je velmi náročná, ba přímo nelehká záležitost, která zahrnuje spojení mnoha různých oblastí:

• Senzorika - zajištění průběžného měření mnoha provozních parametrů stroje (např. dobu v zapnutém režimu, dobu ve skutečném provozu, teploty okolí i pracujících částí stroje, vlhkost okolí, dlouhodobé i okamžité mechanické i elektrické zatížení apod.).

• Lokálního vyhodnocení (Data collection) - shromáždění, předzpracování nebo již částečné vyhodnocení informací ze senzorů v lokálním PLC stroje či nadřazeném počítači linky, ve které je stroj zařazen.

• Datový přenos a uložení (Data storage) - odeslání dat na centrální cloud server výrobce či servisní firmy pro automatické porovnání a vyhodnocení s hodnotami z jiných podobných strojů a následné zpětné odeslání výsledků a doporučení do stroje či řídící systém uživatele stroje. 

• Zpracován dat a predikce (Cloud computing / Analytics) - výkonné počítače a software provozovatele cloud vyhodnocující v reálném čase obrovské množství dat.

• Vizualizace výsledků (KPI cocpit chart / Condition monitoring) - přehledné a jasné zobrazení výsledků pro techniky i manažery.

Prakticky tak jde o vyspělé a komplexní využíti systému IIoT (Industrial Internet of Things), tedy průmyslového internetu věcí v celé jeho šíři.

Samozřejmě vzhledem k náročnosti technickém i s tím spojeném finančním zajištěním takové služby, většina výrobců zařízen či komponent provádí realizaci režimu prediktivní údržby postupně v tom pořadí jednotlivých oblastí,  jak jsem je v seznamu uvedl. Prostě i částečná prediktivní údržba (vylepšená preventivní údržba) na lokální úrovni stroje/zařízení bez cloudového komplexního vyhodnocení je stále lepší než nic. A nejdříve je stejně nutné míst všechny stroje dostatečně vybaveny mnoha různými senzory a měřícími prostředky, aby bylo vůbec možné něco vyhodnocovat. Predikce (odhad) je vždy tím přesnější, čím více informací se zpracovává.

Z pohledu vyhodnocení na úrovni cloudu (serveru) je a bude bezpodmínečně nutné implementovat algoritmy umělé inteligence (AI) v podobě samo-učících se neuronových sítí, které budou v reálném čase schopny se postupně adaptovat na nové události a tím měnit / upřesňovat predikce pro každé konkrétní zařízení na základě informací zjištěných od ostatních podobných strojů. Velké množství dat přicházejících každou hodinu / den jinak nebude možné jiným způsobem rozumně zpracovat.

Prediktivní údržba vs. bezpečnost dat uživatele zařízení

Jedním z hlavních problémů konceptu prediktivní údržby, pokud by měla být použita v celé své šíři, je nutnost poskytnutí velkého množství detailních výrobních dat externí firmě a s tím spojené datové komunikace ze strojů nebo z nějaké centrální databáze linky uživatele na vzdálený cloud server poskytovatele vyhodnocení prediktivní údržby nacházející se daleko od uživatele strojů, i například na opačné straně země. Z dnešního bezpečnostního pohledu na věc je tato myšlenka poměrně choulostivá. Jednak zde jde o hrozbu zneužití / ukradení citlivých výrobních informací, často i tajných, a pak i přítomnosti trvalého obousměrného komunikačního kanálu, které může lákat různé hackerské útoky.

V tomto směru si však myslím, že budoucí tlak na vylepšení spolehlivosti výroby překlene i tyto počáteční obavy. Již za cca posledních 20 let většina lidí i společností v zájmu zvýšeného efektivnosti a rychlejšího běhu firmy nebo běžní občasné v zájmu většího pohodlí nebo prostě jen "tlaku doby" se do jisté míry významně vzdali svého soukromý a poskytují běžně jiným firmám a lidem přes internet mnoho různých údajů. Je tedy otázkou, zda poskytování více výrobních údajů nasmlouvané servisní organizaci či výrobci používaných strojů je nějakým opravdovým problémem.

Větším problémem se tak zdá být spíše hackerské útoky na takovou komunikaci. V tomto směru však lze jednak využít technologií komunikačně uzavřených VPN kanálů mezi přesně definovanými pevnými komunikačními adresami a vše ještě pojistit tím, že ze strany výrobních strojů jde jen od jednosměrnou komunikaci ve směru "ven" ze strojů, zatímco výsledné zpracované informace o prediktivní údržbě (na kterém stroji se má něco v nejbližší době provést za kroky nebo vyměnit) může být odesíláno do k tomu určené databáze oddělené od výrobní linky. Tím by mělo být možné alespoň eliminovat možnost hackerského ovládnutí výrobních strojů, čehož se výrobci velmi bojí.

Závěr:

S postupným zavádění počítačových neuronových sítí i do průmyslového prostředí a systémů je jejich použití pro prediktivní výroba zcela logickým krokem. Pro tyto služby jsou totiž neuronové sítě zcela ideálním prostředkem, protože dokáží nalézat rozdíly a porovnávat obrovské množství dat a ze změn se sami učit. A současně tomu přispívají moderní nové metody vyhodnocení kvality mechanických pohybujících se částí strojů prostřednictvím vyhodnocení zvuku a vibrací.

Proto prediktivní údržba jistě bude v již blízké budoucnosti představovat důležitou službu v průmyslu a asi i v běžné spotřební automatizaci, at již jde o automobily, tak domácí spotřebiče apod.

Odkazy:

•  V článku byly použity obrázky a informace poskytnuté společnostmi:

  • ESPERA Werke GmbH - www.espera.de
  • Weintek Labs., Inc. - http://www.weintek.com