A váratlan gépi állásidő minden termelésirányító rémálmai közé tartozik. Különösen az éjjel-nappal gyártó üzemek esetében jelent rendkívül magas költségeket a gépek működéséből kieső minden egyes óra. A megelőző karbantartás megbízható gyakorlati módszer a költséges üzemleállások gyakoriságának csökkentésére.

Egy hirtelen bekövetkező leállás végzetes és emellett rendkívül költséges lehet. Fennáll annak is a kockázata, hogy a gépen esetlegesen rosszul elvégzett beállítások miatt, akár jóval a várható élettartam előtt véglegesen meghibásodhatnak az alkatrészek. Az Online Diagnostics Network (ODiN) szolgáltatáscsomag érzékelők, felhőalapú alkalmazások és gépi tanulási módszerek kölcsönhatásán keresztül biztosítja a modelleken alapuló üzemi körülmények monitorozását és a megelőző karbantartási tevékenységek elvégzését.

A betanulási időszak során egy gépi tanulási algoritmus figyelemmel kíséri a gép, berendezés vagy gépcsoport különböző – például nyomás, áramlás, rezgés, hőmérséklet és olajminőség – érzékelőinek jeleit, majd ezek alapján határozza meg a gép normál (egészséges) állapotát. A betanulási időszak után az online rendszer az adatokra alapozott modell segítségével végzi a monitorozott gép vagy gépcsoport állapotának folyamatos kalkulációját.

Nem eredményez feltétlenül hamis figyelmeztetést az, ha egyetlen mért érték rövid időre a tűréshatáron kívül esik, mivel a kopás ritkán mutatható ki csupán egyetlen jelből. A gép megváltozott viselkedése nyomán azonban a rendszer problémára figyelmeztet, amennyiben a több érzékelőből származó adatok előírt határértéken belüli megváltozása miatt romlik az állapotindex. A kalkulált állapotindex nemcsak a monitorozott gépcsoport állapotát jelzi, hanem a gépcsoport előtt és után elhelyezkedő mechanikus vagy hidraulikus rendszerek fokozatos változásait is. Ha az idő múlásával a mozgások elindulása tovább tart vagy több energiát igényel, akkor ez a mechanikus vagy hidraulikus rendszer kopását jelzi.

Gépi tanulás és big data

A prediktív analitika alkalmazhatósága érdekében megfelelő infrastruktúrát kell biztosítani az óriási méretű adathalmazok tárolásához, elemzéséhez és megjelenítéséhez. Ez többek között gépi tanulás és trendelemzés alkalmazását teszi szükségessé. Az IoT terén a jövőbeni üzleti modellek sikeréhez létfontosságú a nagy adathalmazok rendelkezésre állása. Ez az abszolút kulcs a hagyományos adatfeldolgozó kapacitásokat meghaladó mennyiségű adatok kezeléséhez. A prediktív analitika végzésének másik alapvető elemét a gépi tanulás jelenti – ezzel az MI (mesterséges intelligencia) módszertannal szerzett tapasztalatok alapján biztosítható a tudás.

Ez teszi lehetővé, hogy a gépek – az emberekhez hasonlóan – képesek legyenek nagy mennyiségű mintaadatból tanulni, vagyis felismerni a hasonló adatsémákat és azonosítani a nem hasonló sémákat. A tanulási folyamat során a gép megkapja a könyvtárak felépítéséhez és a sémák felismeréséhez szükséges mintaadatokat. Ezekkel a modellekkel történik az új adatok meghatározott kategóriákba rendezése. A modellek minden egyes adatkészlettel egyre tökéletesebbek lesznek. A gépi tanulás rendkívül bonyolult feladatokat (például dinamikus adatok elemzését, sokféle paraméter osztályozását stb.) képes elvégezni az ember helyett. A gépi tanulásra alapozott rendszerek gyorsabbak, pontosabbak és automatizáltak.

Adatvédelem mindenekelőtt

A mesterséges intelligencia akkor működik jól, ha rengeteg adat áll rendelkezésére, és azok több forrásból is gyűjthetők. Ehhez kapcsolódóan azonnal felmerül a biztonság kérdése is. Ha az információk illetéktelen kezekbe kerülnek, az komoly károkat okozhat a vállalat számára. Az adatkezeléssel kapcsolatos félelmek legfőképpen azért alakulhattak ki, mert a vállatoknál gyakori az a tévhit, hogy a felhőben tárolt adatok könnyen eltulajdoníthatók. A Bosch Rexroth élen jár a kiberbiztonságban. Az adatlopás megelőzése érdekében a Bosch Rexroth magas biztonsági szintű hálózati kapcsolatot biztosít, és igény szerint helyi szerveren történő adattárolással is támogatja ügyfeleit.

Tervezett állásidő = Kevesebb költség

Minden hidraulikus présrendszert sokféle különálló, de összehangoltan működő gép, készülék vagy eszköz alkot. Ennek egyik fontos része a hidraulikus tápegység, amely esetében többek között a villanymotor, a hidraulikus szivattyú, a munkafolyadék és a szűrők állapotának figyelése történik.

A mélyhúzó présgépek főhengereinek karbantartása roppant időigényes folyamatot jelent, ezért minden váratlan állásidő nagy költségekkel jár. A karbantartás tervezhetőségéhez tehát érdemes az ODiN használatával monitorozni a présrendszert, azon belül például a préselés sebességét, a nyomást, a pozícionálás pontosságát. Mindezek mellett további információt nyerhetünk a hengerek, tápegységek, szelepek aktuális értékeinek megfigyeléséből. A szerzett információknak köszönhetően ugyanis időben felkészülhetünk a henger cseréjére, amely így a tervezett állásidő alatt elvégezhető. Mindez gyorsabb karbantartást és alacsonyabb (kapcsolódó) költségeket eredményez.

Az első lépés a megelőzés felé

A legegyszerűbb módszer az adatgyűjtésre és -vizualizációra a Bosch Rexroth Kft. saját fejlesztésű adatgyűjtő rendszerének, a ConnectivityKit-nek a használata. Az adatokat egyszerű, állapotra vonatkozó jelzésekkel (zöld-sárga-piros színek logikája mentén) magán az eszközön is láthatóvá lehet tenni, de lehetőség nyílik arra is, hogy azokat decentralizált módon feldolgozzák, az eredményeket pedig elküldjék, majd egy webes felületen jelenítsék meg. Ezekből az eredményekből a karbantartók online láthatják a gép aktuális üzemelési értékeit, az információkból pedig tervezehetővé válik a karbantartás és megelőzhető a nem kívánt gépleállás.  A távdiagnosztikai rendszer webes felületének köszönhetően bárhol, bármikor láthatók az adatok, a megjelenítés egy online műszerfalhoz hasonló.

Ügyfeleinknél minden esetben testre szabott megoldásokat valósítunk meg, melyeket összetett, rendszerszintű, célorientált koncepció alapján alakítunk ki. A megelőző karbantartáshoz kínált i4.0-megoldások hosszú távon biztosítják Önnek, hogy gépei és berendezései időtállóan működjenek. További információért látogasson el a boschrexroth.hu/megelozokarbantartas oldalra.