AI w zarządzaniu utrzymaniem ruchu to wykorzystanie algorytmów, które analizują historię awarii, przeglądów i dane z maszyn, aby przewidzieć usterkę i zaplanować serwis, zanim urządzenie się zatrzyma. Zamiast sztywnego kalendarza przeglądów o terminie prac decyduje rzeczywisty stan maszyny.
Sztuczna inteligencja nie zastępuje systemu CMMS, tylko z niego korzysta - bez uporządkowanej ewidencji maszyn, zgłoszeń i napraw nie ma danych, na których mogłaby się uczyć. W Studio TCS.net CMMS z predykcją awarii AI jest częścią pakietu Enterprise, a podstawą pozostaje moduł CMMS i utrzymanie ruchu.
Od reakcji na awarie do predykcji
Utrzymanie ruchu można prowadzić na trzy sposoby. Różnią się tym, kiedy serwis zajmuje się maszyną.
| Strategia | Kiedy wykonuje się serwis | Mocne i słabe strony |
|---|---|---|
| Reaktywna | Po awarii | Brak kosztów planowania, ale nagłe przestoje i drogie naprawy |
| Prewencyjna | Wg harmonogramu, np. co określoną liczbę dni lub godzin pracy | Mniej awarii, ale część przeglądów wypada, gdy maszyna jest jeszcze w dobrym stanie |
| Predykcyjna z AI | Gdy dane wskazują na rosnące ryzyko usterki | Serwis w odpowiednim momencie, ale potrzebne są dane historyczne i często czujniki |
W praktyce zakłady łączą te podejścia: obowiązkowe przeglądy i badania dozorowe wykonuje się wg harmonogramu, a predykcję stosuje dla maszyn, których awaria zatrzymuje produkcję.
Na jakich danych pracuje AI
Jakość prognozy zależy od jakości danych. Model uczy się na informacjach, które zakład i tak gromadzi w systemie CMMS, oraz - jeśli maszyny są podłączone - na odczytach z czujników:
- Historia zgłoszeń awarii - kiedy, na jakiej maszynie i jaki rodzaj usterki.
- Naprawy i zużyte części - co wymieniano i jak długo trwała naprawa.
- Przeglądy i ich wyniki - co wykryto przy planowych kontrolach.
- Czas pracy i przestoje - ile dni urządzenie pracowało, a ile stało.
- Dane z czujników - np. wibracje, temperatura czy zużycie energii, gdy maszyna przekazuje je przez IoT.
Moduł Awarie z kafelkami zgłoszeń i kalendarza to miejsce, w którym powstaje najcenniejszy zbiór danych dla predykcji. Menu boczne prowadzi do napraw, przeglądów, remontów i badań UDT - wszystkie te rekordy dotyczą tych samych obiektów, więc tworzą pełną historię eksploatacji każdej maszyny.
Raport awaryjności zestawia zgłoszenia w wybranym okresie i wskazuje maszyny powodujące najwięcej przestojów. To naturalny punkt startu: od tych urządzeń warto zacząć zbieranie danych z czujników i pilotaż predykcji, bo tam każda uniknięta awaria daje największy efekt.
Planowanie serwisu według stanu maszyny
Predykcja zmienia sposób, w jaki powstają zlecenia. Przebieg wygląda następująco:
- Zbieranie danych - zgłoszenia, naprawy, przeglądy i odczyty z maszyn trafiają do jednej bazy.
- Wykrycie odchylenia - algorytm zauważa zmianę względem normalnej pracy urządzenia.
- Prognoza - system ocenia, jak rośnie ryzyko usterki.
- Zlecenie - przegląd lub naprawa trafia do planu serwisu w dogodnym terminie.
- Weryfikacja - wynik przeglądu wraca do danych i poprawia kolejne prognozy.
Niezależnie od tego, czy przegląd wynika z harmonogramu, czy z prognozy, trafia do tego samego modułu. Kafelki statusów - nowe, przyjęte, w realizacji, zrealizowane i anulowane - pokazują obciążenie serwisu, a kalendarz pozwala rozłożyć prace tak, by nie zatrzymywać kilku linii jednocześnie. Szerzej opisuje to artykuł technologia predykcyjna i optymalizacja procesów z AI.
Jedna baza danych dla całego zakładu
W wielu zakładach każdy obszar ma własne narzędzie: CMMS w dziale utrzymania ruchu, arkusz w narzędziowni, osobny program w magazynie BHP. Każde z nich widzi tylko swój fragment. Jedna baza daje analizie połączenia, których osobne systemy nie pokażą:
- Awaria i części - wiadomo, które części zużywa dany typ usterki.
- Naprawa i narzędzia - wiadomo, jakie narzędzia wydano technikowi do konkretnego zlecenia.
- Pracownik i wyposażenie - narzędzia i odzież ochronna są przypisane do tej samej osoby i stanowiska.
- Jedne słowniki - lokalizacje, pracownicy i obiekty są opisane tak samo w każdym module.
Obszary zakładu i dane do analizy
| Obszar | Dane w systemie | Co można przewidywać | Decyzja, którą to wspiera |
|---|---|---|---|
| Maszyny | Zgłoszenia awarii, naprawy, przeglądy, odczyty z czujników | Ryzyko usterki konkretnego urządzenia | Naprawa w planowanym postoju |
| Narzędziownia | Wydania, zwroty, uszkodzenia, stany magazynowe | Zapotrzebowanie na narzędzia w kolejnych miesiącach | Zakup lub przesunięcie zapasu przed szczytem |
| Odzież i środki ochrony | Wydania, normy przydziału, terminy używalności | Liczbę sortów do wymiany w danym okresie | Zamówienie z wyprzedzeniem, bez nadmiaru |
| Części zamienne | Pobrania na zlecenia, stany, czasy dostaw | Brak części przy zbliżającej się naprawie | Zamówienie przed awarią, a nie po niej |
AI w narzędziowni
Narzędziownia rzadko pojawia się w rozmowach o wydajności produkcji, a jej problemy widać bezpośrednio na stanowiskach:
- Brak narzędzia - pracownik czeka albo szuka zamiennika w innym dziale.
- Narzędzie zużyte - gorsza jakość obróbki i więcej braków.
- Przyrząd po terminie kalibracji - pomiary do powtórzenia, partia do sprawdzenia.
- Kolejka przy wydawalni - stracone minuty na początku każdej zmiany.
Zastosowania AI w narzędziowni
| Zastosowanie | Dane wejściowe | Decyzja, którą wspiera |
|---|---|---|
| Prognoza zapotrzebowania | Historia wypożyczeń w kolejnych miesiącach | Zakup lub przesunięcie zapasu przed szczytem |
| Zużycie narzędzi | Wydania, zwroty z uszkodzeniem, naprawy, likwidacje | Wymiana narzędzia lub zmiana dostawcy |
| Progi zapasu | Rotacja i czas dostawy | Korekta stanów minimalnych |
| Wykrywanie nietypowych wzorców | Wypożyczenia nieoddane w typowym czasie | Wyjaśnienie z pracownikiem lub brygadą |
| Planowanie kontroli | Terminy przeglądów i historia wyników | Korekta cykli przeglądów |
Szerszy obraz - AI w utrzymaniu ruchu, magazynie części i odzieży roboczej - przedstawia artykuł od narzędziowni po odzież roboczą.
Prognoza zapotrzebowania na podstawie historii
Każda prognoza zaczyna się od szeregu czasowego. Raport historii wypożyczeń zestawia narzędzia i pracowników z liczbą wypożyczeń w kolejnych miesiącach. Widać w nim sezonowość - okresy remontów, szczyty zamówień, przestoje wakacyjne - a model prognostyczny może na tej podstawie oszacować, kiedy liczba egzemplarzy danego narzędzia okaże się za mała. Warunkiem jest rzetelna historia: wydania bez dokumentu zaniżają zapotrzebowanie, a przez to prognozę.
Stany minimalne jako punkt wyjścia
Zanim sięgnie się po algorytmy, warto uporządkować stany minimalne. Raport przekroczonych stanów minimalnych pokazuje na wybrany dzień pozycje poniżej progu i wylicza wielkość braku. Analiza danych historycznych pomaga ustawić te progi realistycznie - wyżej dla narzędzi z dużą rotacją i długim czasem dostawy, niżej dla pozycji zalegających. Zasady wyznaczania progów opisuje artykuł o stanach minimalnych i zapasie narzędzi.
Dane, na których uczy się analiza
Menu raportów pokazuje, jakie dane narzędziownia ma już pod ręką. Grupa Analiza obejmuje m.in. koszty według magazynów, narzędzia u pracowników, stan optymalny i zużycie, a grupa Statystyki - historię wypożyczeń narzędzi i pracowników, stan magazynowy, TOP 10 narzędzi i heatmapę. To właśnie te zestawienia są materiałem, na którym analiza może wskazywać trendy. Rozmieszczenie narzędzi według ruchu opisuje artykuł o heatmapie lokalizacji.
Automaty wydawcze i integracje
Automatyzacja wydań to osobny temat od AI, choć często są mylone. Automaty wydawcze i szafy obrotowe wydają narzędzia po identyfikacji pracownika, bez udziału magazyniera. Studio TCS.net może wymieniać z nimi dane przez interfejsy WMS/WCS, a z systemem MES - wiązać wydanie narzędzia ze zleceniem produkcyjnym i numerem partii. Takie powiązania zwiększają ilość i jakość danych, na których pracuje analiza. Zakres integracji opisuje specyfikacja techniczna.
AI w magazynie odzieży i części zamiennych
Odzież robocza i środki ochrony
Przy odzieży roboczej część terminów wynika wprost z norm przydziału, ale rzeczywiste zużycie różni się między stanowiskami.
Raport odzieży u pracowników pokazuje, co i kiedy wydano każdej osobie oraz datę kolejnego wydania, a kolor wiersza sygnalizuje, czy do wymiany zostało mniej niż 7, 14 czy 30 dni. Zsumowanie tych terminów daje zapotrzebowanie na najbliższe tygodnie w podziale na sorty i rozmiary. Analiza wcześniejszych wymian może dodatkowo wskazać stanowiska, na których odzież zużywa się szybciej niż zakłada norma. Temat rozwija artykuł o sztucznej inteligencji w ewidencji sortów odzieżowych.
Części zamienne
Magazyn części łączy dwa poprzednie obszary: zużycie wynika z awarii maszyn, a zapas trzeba planować jak w narzędziowni. Gdy części pobiera się na zlecenia naprawy, historia pokazuje, jakie pozycje zużywa dany typ usterki. Jeśli analiza maszyn wskazuje rosnące ryzyko awarii, można sprawdzić, czy potrzebne części są na stanie, zanim urządzenie się zatrzyma. Organizację takiego magazynu opisuje artykuł o magazynie części zamiennych MRO.
Przykładowy scenariusz: awaria prasy
Wyobraźmy sobie awarię prasy hydraulicznej w zakładzie, który prowadzi wszystkie obszary w jednej bazie. Jedno zdarzenie zostawia ślad w kilku modułach:
- Operator rejestruje zgłoszenie awarii z informacją o zatrzymaniu produkcji.
- Kierownik utrzymania ruchu zakłada zlecenie naprawy powiązane ze zgłoszeniem.
- Technik pobiera z magazynu MRO uszczelnienia i filtr, zapisane na zleceniu.
- Z narzędziowni wydawany jest mu zestaw kluczy dynamometrycznych, a z magazynu BHP - rękawice odporne na oleje.
- Po roku takich zdarzeń dane pokazują, ile uszczelnień zużywa się rocznie, kiedy klucze są najbardziej obciążone i jak szybko zużywają się rękawice w dziale utrzymania ruchu.
Korzyści i ograniczenia
| Korzyść | Warunek, żeby się pojawiła |
|---|---|
| Mniej nieplanowanych przestojów | Kilkanaście miesięcy historii awarii i napraw najważniejszych maszyn |
| Niższe koszty serwisu | Rezygnacja z przeglądów wykonywanych zbyt wcześnie tam, gdzie nie wymagają ich przepisy |
| Dłuższa żywotność maszyn | Szybka reakcja na wykryte odchylenia |
| Lepsze planowanie części | Powiązanie napraw ze zużytymi częściami w systemie |
AI ma też ograniczenia, o których warto pamiętać przed wdrożeniem:
- nie zastępuje przeglądów obowiązkowych, badań UDT ani legalizacji - te wykonuje się w terminach wynikających z przepisów,
- przy małej ilości danych prognozy są mało wiarygodne,
- dla wielu maszyn potrzebne są czujniki i ich integracja,
- decyzję o wyłączeniu maszyny nadal podejmuje człowiek.
Czego AI nie załatwi
- Brak ewidencji - bez dokumentów wydań i zwrotów nie ma danych do analizy.
- Mała skala - przy kilkudziesięciu narzędziach prosty raport stanów wystarczy.
- Nagłe zmiany produkcji - nowe zlecenie lub technologia zmienia zapotrzebowanie szybciej, niż zauważy to model.
- Decyzje zakupowe - prognoza wskazuje kierunek, ale budżet i wybór dostawcy należą do ludzi.
- Przeglądy obowiązkowe - terminy legalizacji i przeglądów wynikają z przepisów, a nie z prognozy.
W Studio TCS.net CMMS z predykcją awarii AI należy do pakietu Enterprise opisanego w cenniku. Podstawę dla każdej analizy tworzy ewidencja prowadzona w systemie Narzędziownia - program do zarządzania i ewidencji narzędzi.
Warunki wiarygodnej analizy
- Kompletna rejestracja - wydania i pobrania bez ewidencji „na słowo” zaniżają zapotrzebowanie.
- Wspólne słowniki - ten sam pracownik, lokalizacja i obiekt w każdym module.
- Historia z dłuższego okresu - sezonowość widać dopiero po co najmniej roku danych.
- Powiązanie ze zleceniami - części i narzędzia wydawane do konkretnej naprawy.
- Integracja automatyki - automaty wydawcze i szafy obrotowe mogą wymieniać dane z systemem przez interfejsy WMS/WCS opisane w specyfikacji technicznej.
Wspólną podstawą wszystkich obszarów jest ewidencja prowadzona w systemie Narzędziownia - program do zarządzania i ewidencji narzędzi.
Jak zacząć z AI w utrzymaniu ruchu
- Uporządkuj ewidencję - wszystkie maszyny, zgłoszenia i naprawy w jednym systemie CMMS.
- Zbieraj historię - rejestruj każdą awarię z rodzajem usterki i czasem przestoju.
- Wybierz maszyny krytyczne - na podstawie raportu awaryjności.
- Podłącz dane z maszyn - tam, gdzie to możliwe, przez czujniki i IoT.
- Przeprowadź pilotaż - sprawdź prognozy na kilku urządzeniach, zanim obejmiesz cały park.
Zakres pakietów i moduł CMMS z predykcją awarii AI przedstawia cennik Studio TCS.net.