Prediktivní údržba Analýza dat senzorů výrobních linek a strojů pro redukci odstávek a zvýšení kvality produktů.
Kontakt
[email protected] +420 606 788 765
Přehled V podmínkách stagnující ekonomiky, stále těžšího získávání nových zakázek, rostoucí síly zákazníků a dodavatelských řetězců, stárnoucí infrastruktury, nestálosti cen surovin a přísnějších norem musí organizace pro zachování konkurenceschopnosti využívat všech dostupných možností snižování provozních nákladů. Často jim však chybí základní přehled o výkonnosti a životnosti jejich výrobních prostředků, kvalitě výrobků, parametrech, které kvalitu a výkonnost ovlivňují, a schopnost předvídat budoucí vývoj těchto ukazatelů. Pro firmy, které se snaží dosáhnout co nejvyšší efektivity a ziskovosti, přitom tvoří maximalizace produktivity a kvality klíčový aspekt podnikání. Když výrobní linka, obráběcí stroj, elektrická síť, plynovod nebo důlní kombajn nečekaně přestanou fungovat nebo začnou fungovat chybně, má to na efektivitu výroby, kvalitu výrobků, spokojenost zákazníků a následně obrat a zisk vždy zásadní dopad. Řešení těchto problémů stojí organizace miliony korun ročně na přímých nákladech i ušlých příležitostech. Podle nedávného průzkumu společnosti Aberdeen Group „Řízení aktiv: posílení prediktivní údržby pomocí analýzy dat” představuje selhání nejdůležitějších zařízení společnosti zásadní provozní riziko – tato zařízení musí téměř nepřetržitě spolehlivě fungovat v souladu s výrobním a finančním plánem. Nejvýkonnější firmy tak sází na pokročilou statistickou analýzu dat souvisejících s údržbou, bezpečností, zásobou náhradních dílů a kvalitou výrobků, aby mohly přesně plánovat investice, na denní bázi udržovat výrobní prostředky v optimálním stavu a maximalizovat jejich výkonnost. Společnosti s jasnou vizí budoucnosti spoléhají na prediktivní údržbu nad rámec standardní preventivní údržby tak, aby zmíněných výhod dosáhly. V tomto dokumentu se dozvíte co je prediktivní údržba, jaké konkrétní výhody vám může nabídnout a jak jich dosáhnout.
Co to je prediktivní údržba? Prediktivní údržba představuje analytický přístup, který umožňuje předpovídat, kdy dojde k selhání výrobních zařízení a předcházet jim včasnou a efektivní údržbou. Může však jít ještě dále a poskytovat informace, na základě kterých je možné zařízení postupně „ladit“ a sklony k poruchovosti snižovat až téměř eliminovat. Nezanedbatelnou součástí preventivní údržby je také vyhodnocování faktorů ovlivňujících kvalitu výrobků a zavádění opatření směřující k její optimalizaci. Objemy dat souvisejících s výkonností a funkčností zařízení a systémů (například data ze senzorů výrobních linek, čidel a měřících zařízení) neustále narůstají. Tyto údaje se nyní většinou používají pouze jako podklad pro operativní a reaktivní rozhodování. Detailní historická data však představují bohatou zásobu údajů pro odhalování trendů a vzorců chování a následné vytvoření patřičných prediktivních modelů, jejichž výsledky umožňují zlepšovat procesy a výkonnost celé výroby. Analytický přístup se samozřejmě setkává také s řadou překážek, například s častou averzí k přijímání doporučení odvozených z prediktivních rozborů,
2
na rozdíl od rozhodnutí založených na vnitřních pocitech, subjektivním úsudku a zavedené praxi („Takhle jsme to přece dělali vždycky.“). Protože se však odborně fundovaní technici údržby „ze staré školy“ pomalu ale jistě blíží důchodovému věku, začíná být pro firmy systematické podchycení poznatků o údržbě velmi důležité a odhodlávají se s averzí ke změnám stále častěji bojovat. Prediktivní údržba je založená na průběžné integraci mnoha zdrojů interních dat ze senzorů a čidel, řídících jednotek, CMMS systémů, zpráv údržbářů, skladového hospodářství nebo ERP. S těmito daty je dále možné integrovat informace o vnějším okolí a externích vlivech (například počasí, venkovní teplotě a vlhkosti nebo zkušeností a vzdělání obsluhy). Následná analýza je pak založena na řadě sofistikovaných statistických metod jako bayesiánské sítě, Weibullovo rozdělení, neuronové sítě, lineární a logistická regrese, analýza časových řad, C5, CHAID, QUEST, Kaplan-Meierův graf a Kohonenovy sítě. Tyto metody mohou odhalit skryté anomálie a tendence k poruchám a určit, kterým technologiím a provozním procesům hrozí největší riziko selhání. Včasné zjištění problémů předtím, než ve skutečnosti nastanou, umožňuje úsporněji nasadit menší množství prostředků údržby při maximalizaci provozní doby zařízení, zlepšit kvalitu, posílit procesy v soustavě dodavatelů a tak v konečném důsledku zvýšit spokojenost zákazníků. Studie prokázaly, že organizace používající prediktivní analýzu mají obecně vyšší výkonnost než ty, které se spoléhají pouze na cit a zkušenosti. Nejenže dosahují vyššího růstu a efektivnějšího řízení nákladů, ale také podnikají včasná nápravná opatření ke snížení rizik, která mohou ohrozit jejich plány. K reálným výhodám, kterých organizace dosáhly díky prediktivní analýze, patří: •
Úspora 1 milion dolarů u velkého výrobce zařízení díky odhalování poruch před jejich výskytem.
•
Snížení telefonátů zákazníků o 36 % díky vylepšenému plánování aktivit v případě vodárenské společnosti.
•
Zvýšení předstihu předvídání poruch zařízení u energetické společnosti z 30 minut na 30 hodin před jejich projevením.
Zavedením vhodných analýz můžete optimalizovat výkonnost a využít nové informace jako podklad pro informovaná rozhodnutí. Propojením všech relevantních zdrojů informací ve společnosti můžou manažeři na všech úrovních organizační struktury reagovat na zásadní otázky jako: Co se děje? Proč se to děje? Co se pravděpodobně stane v budoucnu? Jak bychom měli do budoucna plánovat? Díky nástrojům pro prediktivní údržbu mohou organizace v odvětvích závislých na technologických zařízeních: •
Předvídat, kdy a kde může pravděpodobně dojít k selhání zařízení.
•
Vyhnout se prostojům zařízení a snížit náklady na údržbu.
•
Analyzovat do hloubky příčiny selhání zařízení a procesů.
•
Minimalizovat problémy s kvalitou výrobků.
•
Optimalizovat zásoby náhradních dílů.
•
Předvídat reklamace konkrétních výrobků a typů zákazníků.
•
Zajistit koordinaci s obchodními a výrobními plány.
Maximalizace produktivity aktiv Mezi aktiva organizace mohou patřit: •
Výrobní stroje.
•
Koncová zařízení (uživatelské spotřebiče, prodejní automaty, strojní zařízení, všechny druhy sítí, letadla, kamiony, autobusy, cisterny, vozový park, vysokozdvižné vozíky atd.).
•
Budovy (nemovitosti, univerzity, stadiony, kanceláře firmy, firemní sídlo, místní provozovny).
I když se aktiva mohou lišit i v rámci stejného odvětví, metody a zásady prediktivní údržby bývají obvykle velmi podobné.
Prediktivní údržba výrobní linky Prostoje výrobních linek jsou standardně způsobeny buď pravidelnou plánovanou údržbou, nebo neplánovaným selháním. Včasná preventivní údržba je kriticky důležitá pro zabránění poruchám, které mohou vést k nákladným výpadkům ve výrobě. Spoléhání na pevný harmonogram údržby ale zase může vést ke zbytečně vysokým nákladům jak na součástky, tak na práci. Prosté zintenzivnění preventivní údržby a zkrácení údržbových cyklů vede k nutnosti přijímání dalších zaměstnanců a častějším nákupům náhradních dílů, což samozřejmě zvyšuje náklady. Řešení pro prediktivní údržbu využívají širokou škálu řídících a operativních dat, které již ve společnostech standardně bývají k dispozici, například délka provozu, provozní napětí, odpor, údaje o teplotě, vibracích, složení provozních kapalin, tlak na jednotlivých částech linky, počet dnů od poslední servisní kontroly, počet dnů do příští servisní kontroly, přehled minulých poruch, náklady na plánovanou a neplánovanou údržbu, ceny náhradních dílů a jiné údaje (v závislosti na konkrétním stroji). Tyto údaje může automatizovaný proces pravidelně dávkově nebo v reálném čase analyzovat. Je schopen rychle odhalit vzorce výskytu poruch a zjistit hlavní příčiny problémů, vyhodnotit aktuální stav každé položky majetku a navrhnout harmonogram údržby tak, aby se prováděla ve správný čas a předcházela poruchám – ne zbytečně dříve ani později. Pokročilé algoritmy obsažené v řešeních pro prediktivní údržbu dokáží s určitou pravděpodobností kvantifikovat spolehlivost všech aktiv v jakémkoliv budoucím okamžiku tak, aby kontroly a údržbu bylo možné provádět v optimálním a cenově nejvýhodnějším okamžiku. To odstraňuje nutnost odstavit linku jen kvůli plánované údržbě, která ještě nemusí být nutná.
3
Prediktivní údržba v praxi: eliminace poruch výrobního zařízení a zvýšení kvality U výrobců oceli závisí rozdíl mezi ziskem a ztrátou hlavně na efektivitě výroby - udržení hladkého provozu podle plánovaného časového harmonogramu a maximalizaci kvality výrobků v prostředí, kde se její tolerance měří na desetiny milimetru. Japonský výrobce železa a oceli požadoval systematičtější a detailní přístup k monitorování stavu a výkonnosti jeho zařízení. Použil proto řešení pro prediktivní údržbu k průběžné analýze velkých objemů dat z řízení výroby a provozu v reálném čase a identifikoval vzorce signálů hrozících problémů u řady procesů a zařízení, takže se jim nyní zaměstnanci mohou věnovat dříve, než způsobí odstávku výrobní linky. Navíc systém díky novým poznatkům o tom, jak drobné odchylky v měřených hodnotách a postupech ovlivňují kvalitu výrobků, poskytuje provozním manažerům srozumitelný návod, jak efektivitu a kvalitu dlouhodobě optimalizovat. V důsledku toho firma: •
Snížila náklady o více než 2 miliony amerických dolarů za každé zlepšení efektivity výroby o 0,1 %.
•
Zvýšila efektivitu výroby oceli a železa tím, že snížila počet vadných výrobků a odstávek v důsledku poruch zařízení.
Prediktivní údržba v terénu Kromě poruch výrobních linek a strojů v továrních halách často dochází k poruchám zařízení v terénu. Ty mají samozřejmě velký negativní vliv na produktivitu, provoz a plnění podmínek dohodnutých se zákazníky (SLA). Pomocí prediktivní údržby mohou organizace odhadnout, kdy a za jakých okolností k poruše s vysokou pravděpodobností dojde. Základem je detailní analýza příčin minulých poruch v kontextu interních i externích vlivů (charakteristik stroje, hodnot ze senzorů, použitých technologických postupů, zkušenosti a vlastností obsluhy) a finančních důsledků poruch tak, aby bylo možné navrhnout ekonomicky optimální preventivní opatření.
Prediktivní údržba v praxi: zabránění prostojům zařízení v terénu Hlavní prioritou významného amerického výrobce nápojů bylo zajistit, aby jejich nápojové automaty v terénu neustále hladce fungovaly. Vzhledem k logistickým potížím plynoucím z rozmístění automatů na velkém území tradiční postup porucha - oprava příliš neodpovídal současným požadavkům na výši nákladů, efektivitu a výsledky. Firma hledala způsob, jak tento problém optimálně vyřešit a rozhodla se soustředit na předcházení poruchám prostřednictvím proaktivní údržby. Díky řešení pro prediktivní údržbu byla schopna z velkého objemu dat z čidel nápojových automatů včas rozpoznat hrozící poruchy konkrétních komponent a poskytla technikům v terénu čas a informace, které potřebovali k jejich omezení.
Kromě dat z čidel umožnilo řešení analyzovat také informace z nestrukturovaných servisních záznamů, které technici v terénu pořizovali. Kombinací obou zdrojů dat s prediktivními modely a vizuální prezentací výsledků formou manažerských přehledů řešení poskytlo řadu nových užitečných informací pro efektivní řízení firmy a přesnější plánování.
Prediktivní údržba budov Dříve popsané postupy je možné efektivně aplikovat také na správu moderních budov, které jsou ve skutečnosti komplexními organismy s řadou systémů ovládání a údržby. Tyto systémy zahrnují služby jako vytápění a chlazení, osvětlení, komunikaci a systémy bezpečnosti, jejichž úkolem je udržovat uživatele v bezpečí a pohodlí. Na celém světě budovy spotřebují 42 % veškeré elektřiny, více než jakákoliv jiná skupina majetku. Do r. 2025 budou budovy největším zdrojem skleníkových plynů na naší planetě. Ve Spojených státech budovy spotřebují 70 % veškeré elektřiny, až 50 % z toho zcela zbytečně. Řešení pro prediktivní údržbu dokáže organizacím pomoci při řešení užitkovosti a efektivity provozu budov a současně snížit energetické a provozní náklady. Jeden ze způsobů, jak toho dosáhnout, je zajistit přehlednost, kontrolu a automatizaci systémů, aby jejich správci mohli monitorovat a včas řešit potenciální potíže. Řešení pro prediktivní údržbu může v reálném čase přímo komunikovat s infrastrukturou - například s chytrými rozvodnými sítěmi nebo širokopásmovými kanály.
Řízení a zvyšování kvality Maximalizace kvality je pro výrobu poměrně složitá a nákladná. Pokud dojde k poruše výrobní linky, musí ji (v oborech, kde to je možné) po určitou dobu nahradit manuální práce. Kvalitu v tomto případě ovlivňuje čistě lidský faktor, který je standardně daleko méně spolehlivý než stroje. Nekvalitní výrobky však může díky více či méně skrytým vadám produkovat také samotná výrobní linka. Klíčem ke zvýšení kvality je včasná identifikace problému díky zapojení kontrolních mechanismů přímo do výrobního procesu místo kontroly a vyřazování vadných produktů až na konci výrobního cyklu, kdy už je na nápravu pozdě. Řešení pro prediktivní údržbu je možné využít k průběžnému hodnocení kvality výrobků v průběhu celého výrobního procesu. To umožňuje rychle odhalit vadné produkty a opravit nebo vyřadit je dříve, než je díl uvolněn do další fáze výroby, čímž jsou chráněny jak výrobní prostředky, tak zákazník. Díky prediktivní údržbě je možné kvantifikovat efektivitu výrobního zařízení a kvalitu výrobků srovnáním se standardními kontrolními hodnotami. Statistická analýza může pomoct s identifikací prvotních příčin nekvality nejen srovnáváním naměřených hodnot s klíčovými ukazateli výkonnosti, ale také identifikovat klíčové prediktory – aspekty, které mohou s vysokou pravděpodobností způsobit chybu v budoucnu. Aby bylo možné zjistit skutečné příčiny nekvality, je nutné vzít v úvahu nejen potenciální problémy výrobních zařízení, ale také chyby pracovníků obsluhy, dodavatelů, návrhů projektů nebo externí vlivy. Pokud je takto komplexní data společnost schopná analyzovat, má k dispozici silný nástroj pro zvýšení spokojenosti zákazníků a snížení nákladů na záruční plnění.
Prediktivní údržba v praxi: správa zařízení Kanadská univerzita chtěla překonat zažité způsoby analýzy energetické náročnosti budov, získat komplexnější přehled o používání a potenciální úspoře energie a získané znalosti uplatnit v praxi. Díky řešení pro prediktivní údržbu univerzita: •
Optimalizovala využívání a harmonogram spotřeby energie.
•
Získala možnost vytvářet modelové scénáře pro účely hodnocení dopadů úsporných opatření a změn chování.
•
Omezila emise skleníkových plynů v areálu univerzity a nemocnice.
Optimalizace souvisejících procesů Prediktivní údržba se sice zaměřuje primárně na výrobní a provozní zařízení, ale souvisí také s dalšími procesy v organizaci, například s řízením kvality, zásob, záruční politikou, obchodní a výrobní činností, financemi, plánováním, rozpočtováním a řízením lidských zdrojů.
4
Prediktivní údržba v akci: kontrola kvality Výrobce automobilů měl problémy s odléváním a výrobou forem. U velkého počtu motorových bloků vznikaly drobné praskliny a nedosahovaly tak požadovaných kvalitativních parametrů. Musely být recyklovány nebo sešrotovány, což znamenalo plýtvání časem a úsilím a způsobovalo prodlevy při montáži a expedici vozidel. To mělo samozřejmě přímý dopad na tržby. Díky řešení pro prediktivní údržbu automobilka dokázala velmi rychle provést hloubkovou analýzu příčin. Ukázalo se, že téměř všechny poruchy nastaly v konkrétním čase odpoledne a že ve stejné době jedno z čidel identifikovalo výrazně zvýšenou vlhkost vzduchu. Tým zaměstnanců v tomto čase linku prohlédl a okamžitě postřehl problém: nacházela se pod oknem, kterým v daném čase na linku a její okolí svítilo slunce, díky čemuž docházelo ke značnému kolísání hodnot vlhkosti. Vlhkost způsobovala změny v chemickém složení roztaveného kovu, což vedlo k prasklinám motorových bloků na konci procesu. Automobilka okno zastínila a snížila tak jednoduše počet vadných bloků o 80 % za 12 týdnů.
Snížení nákladů na zásoby a jejich řízení Dlouhodobější poruchy zařízení negativně ovlivňují produkci – pokud nefunguje výrobní linka, neprodukuje firma výrobky. Zároveň se začínají hromadit vstupní komponenty a suroviny, což ve skladech způsobuje problémy a nepřímo dále zvyšuje náklady. Při klasické preventivní údržbě je ve skladech také potřeba držet dostatečné zásoby náhradních dílů, aby údržbový tým dokázal porouchaná zařízení co nejdříve opravit. Řízení zásob je neustálým bojem o nastavení optimální rovnováhy, protože firmy se na jedné straně snaží zabránit, aby servisní týmy dlouho čekaly na nedostupné součástky, ale na straně druhé potřebují eliminovat nadměrné zásoby náhradních dílů. Řešení pro prediktivní údržbu dokáže vyhodnotit, kdy bude potřeba opravit konkrétní díly jednotlivých strojů a navrhnout tak optimální stav zásob náhradních součástek.
Prediktivní údržba v akci: řízení zásob Výrobce jeřábů měl dlouhodobé problémy s jejich poruchovostí v terénu, což mu způsobovalo vysoké ztráty díky spoustě času a materiálu potřebným k opravám. Nízká spokojenost zákazníků také znamenala řadu ušlých obchodních příležitostí a generovala tak další nepřímé ztráty. Pro snížení těchto problémů firma vyčlenila 2 miliony dolarů a vytvořila ve svých skladech zásoby náhradních dílů. Protože však přesně nevěděla, které díly bude nutné vyměnit, skladovala součástky, u kterých často docházelo k poruchám, a všechny další součástky, u kterých při objednání existovalo riziko alespoň dvoutýdenní prodlevy. Každý rok se ale ukázalo, že rozpočet na náhradní díly a jejich skladování je buď příliš nízký, nebo příliš vysoký, s výkyvy v řádu statisíců dolarů. Díky řešení pro prediktivní údržbu firma začala analyzovat řadu detailních technických dat jako úhel ramene, hmotnost břemen, výška háku, rychlost větru, údaje o obsluze a vzájemné vztahy těchto parametrů. Daleko přesněji tak porozuměla příčinám poruch a chování operátorů a optimalizovala zásobu náhradních dílů u všech zařízení v terénu.
Snížení počtu uplatňovaných reklamací Pokud porucha výrobního zařízení způsobí, že se ke spotřebiteli dostanou vadné výrobky, zvyšují se počty reklamací a náklady na jejich řešení. Prediktivní údržba dokáže včas určit souvislost reklamací s problémy na výrobních zařízeních a umožní omezit nákladná reklamační řízení poskytnutím potřebného servisu dříve, než se u většiny zákazníků projeví. Pokud má dodavatel se zákazníkem uzavřenou servisní smlouvu, pomáhá mu řešení pro prediktivní údržbu včas poznat hrozící problémy a předejít jim, čímž se snižuje riziko nedodržení SLA a placení smluvních pokud. Proaktivní přístup je také dobrým marketingovým nástrojem, protože pomáhá budovat dobré jméno a pověst společnosti a udržovat výborné vztahy se zákazníky.
5
Prediktivní údržba v akci: omezení opakovaných oprav a reklamací Evropský výrobce vozidel pro celosvětový trh potřeboval hlouběji pochopit příčiny a kombinace okolností, které v jednotlivých zeměpisných oblastech vedly k reklamacím. Díky řešení pro prediktivní údržbu firma objevila kombinace ukazatelů a vzorce chování upozorňující na možné problémy. Výrobní procesy byly následně upraveny tak, aby se problémy neopakovaly a firma dosáhla snížení počtu uplatněných reklamací o 5 %, počtu opakovaných oprav o 50 % a v průměru ušetřila ročně 30 milionů EUR.
Zlepšení finančních procesů Finanční oddělení hraje v otázce aktiv důležitou roli. Mělo by mít přehled o tom, kdy byla zařízení zakoupena, jak často a s jakými náklady na nich probíhá údržba, kdy skončí jejich životnost a jaké budou náklady na jejich nahrazení. Většina finančních oddělení však nemá představu o tom, v jakém stavu výrobní zařízení jsou, dokud nedojde k poruše a výroba nezačne požadovat prostředky na okamžité nákupy. Organizace proto raději preventivně alokují část rozpočtu na případné opravy a výměny zařízení, zároveň však mívají velmi mlhavou představu o tom, jaká částka bude ve skutečnosti potřeba. I v této oblasti může pomoct prediktivní údržba – pokud má finanční oddělení neustálý přehled o stavu a výkonnosti prostředků a jeho pravděpodobném budoucím vývoji, je daleko jednodušší vytvořit přesnější rozpočet a případně jej v průběhu roku s předstihem modifikovat. Díky kombinaci nástrojů pro prediktivní údržbu s nástroji pro plánování, reporting a analýzu dat je dále možné: •
Kombinovat data o poptávce, realizovaných objednávkách, kapacitě, stavu zařízení a zásobách s finančním plánem a klíčovými ukazateli výkonnosti a podporovat tak kvalifikovaná rozhodnutí založená na informacích místo na pocitech.
•
Zefektivnit fungování dodavatelského řetězce, podpořit jeho soutěživost a flexibilitu.
•
Poskytovat klíčovým lidem manažerské přehledy poskytující informace v reálném čase.
•
Sladit prognózu prodeje a poptávky s výrobními plány a očekáváním zákazníků a dodavatelů.
Prediktivní údržba v praxi: zefektivnění prodeje a plánování Nadnárodní společnost vyvíjející širokou škálu zemědělských produktů a zařízení chtěla zavést systém pro plánování a finanční konsolidaci, zlepšit komunikaci s dodavateli, zákazníky i interními zaměstnanci a optimalizovat zásoby. Společnost zavedla řešení pro prediktivní údržbu, aby získala přehled o svých výrobních zařízeních a začlenila tyto informace
do všech souvisejících procesů. Informace následně pomohly zlepšit vzájemnou spolupráci, což vedlo ke zlepšení produktů podle představ zákazníků, zefektivnilo zákaznický servis a zkrátilo dobu dodávek. Obchodní tým je nyní schopen vytvářet a spravovat průběžný 12měsíční plán (rolling forecast) díky rychlému přístupu k potřebným informacím a efektivním plánovacím nástrojům.
Optimalizace produktivity zaměstnanců Jedním z klíčových aspektů, které mají zásadní dopad na funkčnost zařízení, jeho údržbu a kvalitu výrobků, jsou zaměstnanci. Prediktivní údržba firmám pomáhá zajistit, aby měly správné zaměstnance na správných místech. Většina organizací má ve svých personálních nebo výrobních databázích a plánech o svých zaměstnancích řadu informací, ale často je nedokáží využít a analyzovat v kontextu ostatních dat. Řešení pro prediktivní údržbu manažerům může poskytnout cenné informace k hodnocení zaměstnanců a pomoct zvyšovat jejich výkonnost. Hodnoty, jako je vytíženost výrobních linek, produktivita nebo počet nekvalitních výrobků, měřené přímo na úrovni senzorů výrobních zařízení, poskytují o výkonnosti jednotlivých zaměstnanců exaktní a obtížně manipulovatelná data.
Prediktivní údržba v praxi: zvýšení výkonnosti zaměstnanců Výrobce jeřábů měl problémy s jejich častými poruchami v terénu, což způsobovalo obrovské ztráty v důsledku odstávek a klesající spokojeností zákazníků. Firma nevěděla, které faktory poruchy způsobují. Pomocí řešení pro prediktivní údržbu analyzovala nejen technické informace o jeřábech a externích vlivech, ale také údaje o obsluze jako např. pracovní doba, předchozí praxe na daném zařízení, absolvovaná školení, předchozí poruchy zařízení a realizovaná nápravná opatření. Díky tomu firma dokázala identifikovat nejčastější důvody poruch a jejich vztahu k obsluze. Na základě těchto informací byl modifikován systém školení a hodnocení a došlo ke snížení podílu lidského faktoru na vzniku závad.
Implementace prediktivní údržby I když je každá společnost jiná, následující přehled popisuje typický přístup k implementaci řešení pro prediktivní údržbu: 1. Identifikovat v rámci výroby problémové oblasti. 2. Kvantifikovat finanční dopad problémů a potenciální přínos jejich vyřešení. 3. Identifikovat, jaká data bude potřeba analyzovat, jaká jsou k dispozici a která teprve bude potřeba začít sbírat.
6
4. Odhadnout náklady na implementaci řešení pro prediktivní údržbu a porovnat je s finančním přínosem – spočítání návratnosti investice (ROI). 5. Pokud je ROI kladné, naplánovat implementaci řešení po malých přírůstcích s reálným obchodním přínosem. 6. Realizovat pilotní projekt – zanalyzovat část dat, vytvořit modely a predikce a ověřit jejich funkčnost. 7. Aplikovat poznatky do výrobních procesů a postupů preventivní údržby. 8. Zkombinovat data prediktivní údržby s ostatními daty ve společnosti a využít je jako podklad pro finanční, výrobní, obchodní a strategické rozhodování. 9. Průběžně řešení rozšiřovat do všech oblastí, kde je jeho implementace ekonomicky výhodná. 10. Postupně ve společnosti budovat pozitivní přístup k práci s daty a informacemi.
Závěr Tlak na výrobní společnosti neustále stoupá. Musí soupeřit s ekonomickou recesí, stoupajícími cenami surovin, omezující legislativou a řadou dalších faktorů. Hlavní konkurenční výhodou proti levným výrobkům ze zemí s nízkými náklady na lidské zdroje jsou kvalita a efektivita. Detailní analýza dat pomáhá zvyšovat provozní dobu zařízení, předcházet výpadkům ve výrobě, zvyšovat kvalitu výrobků a snižovat počty reklamací. Prediktivní údržba je tak silným nástrojem ke snížení nákladů, zvýšení spokojenosti a loajálnosti zákazníků a tím ve výsledku zvýšení zisku. Výsledky nedávné studie IBM ukázaly, že firmy, které používají nástroje pro prediktivní údržbu, dosahují desetinásobnou návratnost investic - snížení nákladů na údržbu o 20-25 %, omezení poruch o 70-75 %, snížení prostojů o 35-45 % a zvýšení výroby o 20-25 % ve srovnání s firmami využívajícími tradiční postupy.
Řešení prediktivní údržby od „delfínů“ My ve společnosti dolphin consulting nabízíme řešení pro prediktivní údržbu pomocí softwarových nástrojů IBM pro statistickou a ekonomickou analýzu dat, reporting a plánování. Spolupracujeme s dodavateli řídících systémů strojů avýrobních linek a jsme tak schopni zajistit celý proces od sběru dat po jejich vyhodnocení a přehlednou vizualizaci. Naším cílem je dodávat klientům řešení, která usnadní jejich každodenní práci a umožní jim pevnou kontrolu nad svým byznysem. Rádi Vám pomůžeme vyhodnotit, nakolik je vaše firma na prediktivní údržbu připravená, odhadnout návratnost investice do tohoto řešení, ověřit tyto odhady v praxi implementací pilotního projektu a následně implementovat profesionální analytické prostředí. Pokud vás prediktivní údržba zaujala, neváhejte nám napsat na
[email protected] nebo zavolat na telefonní číslo +420 606 788 765 a požádat o více informací nebo domluvit osobní schůzku.
