Wiadomości branżowe
0102030405
Konserwację predykcyjną należy w pełni wdrożyć i nie należy jej przeprowadzać zbyt szybko
2023-12-08
W ostatnich latach często wspomina się o koncepcji „konserwacji predykcyjnej”. W dobie Internetu przemysłowego urządzenia do produkcji przemysłowej stały się bardziej wydajne i inteligentne, ale spowodowało to ogromne wyzwania w zakresie konserwacji samego sprzętu. Konsekwencje niewłaściwej konserwacji nie tylko wpływają na wydajność produkcyjną fabryki, ale także powodują ogromne straty. Konserwacja po awarii lub regularna konserwacja w tradycyjnym trybie konserwacji wpłynie na wydajność produkcji i jakość produktu oraz znacznie zwiększy koszty producenta. Wraz z dojrzałym zastosowaniem Internetu rzeczy, dużych zbiorów danych, przetwarzania w chmurze, sztucznej inteligencji i technologii wykrywania, technologii konserwacji predykcyjnej powstała aplikacja „zabójcza”. Według przewidywań odpowiednich instytucji do 2024 roku skumulowana roczna stopa wzrostu światowego rynku konserwacji predykcyjnej przekroczy 39% i osiągnie 23,5 miliarda dolarów. Można zauważyć, że perspektywy rozwoju rynku konserwacji predykcyjnej w ciągu najbliższych kilku lat są bardzo duże.Korzyści z konserwacji predykcyjnej Obecnie konserwację urządzeń przemysłowych można z grubsza podzielić na trzy kategorie: konserwacja regeneracyjna, konserwacja zapobiegawcza i konserwacja predykcyjna. Różnica polega na tym, że konserwacja naprawcza odbywa się po naprawie, konserwacja zapobiegawcza polega bardziej na ocenie usterek na podstawie doświadczenia, a konserwacja predykcyjna może przeprowadzać regularne lub ciągłe monitorowanie stanu i diagnozowanie usterek niektórych ważnych części podczas pracy maszyny.
Konserwacja predykcyjna łączy dane z wielu źródeł, takie jak kluczowe czujniki sprzętu, planowanie zasobów przedsiębiorstwa (ERP), skomputeryzowany system zarządzania konserwacją (CMMS) i dane produkcyjne. Inteligentny system zarządzania zakładem łączy te dane z zaawansowanymi modelami predykcyjnymi i narzędziami analitycznymi w celu przewidywania usterek i aktywnego ich rozwiązywania. Konserwacja predykcyjna ma następujące zalety: ● niewielki wpływ na linię produkcyjną: w przeciwieństwie do inteligentnej produkcji, sama linia produkcyjna wymaga transformacji i modernizacji. Sprzęt sprzętowy do konserwacji predykcyjnej ma głównie za zadanie pomóc w ustanowieniu połączenia między sprzętem a serwerem. Nie ma potrzeby zmiany linii produkcyjnej ani procesu produkcyjnego, co ma niewielki wpływ na ogólny harmonogram produkcji. ● wysoka powtarzalność: rozwiązanie można szybko skopiować na to samo urządzenie, a im więcej urządzeń zostanie zaimportowanych, tym więcej będzie generowanych dostępnych danych, co bardziej pomaga w poprawie dokładności modelu. ● znaczące rezultaty merytoryczne: konserwacja predykcyjna może pomóc w obniżeniu kosztów i zwiększeniu efektywności usług eksploatacyjnych i utrzymaniowych. Według badania konserwacja predykcyjna może obniżyć koszty MrOS (konserwacja, naprawy i eksploatacja) o 5-10%, a ogólne koszty utrzymania o 5-10%; Jeśli chodzi o poprawę wydajności, konserwacja predykcyjna może wydłużyć normalny czas pracy sprzętu o 10–20%, skrócić czas konserwacji sprzętu o 20–50% i zapewnić lepszą gwarancję jakości produktu. ● szerokie scenariusze zastosowań: główna zasada konserwacji predykcyjnej opiera się na łączeniu sprzętu w sieć, gromadzeniu danych, analizie dużych zbiorów danych i uczeniu maszynowym. Ma ogromny potencjał rozwoju w przyszłości i stopniowo promuje rozszerzenie scenariuszy użytkowania z konserwacji sprzętu na planowanie, zarządzanie aktywami itp. Gracze na rynku konserwacji predykcyjnej W procesie konserwacji predykcyjnej najważniejsze są dane. Sposób uzyskiwania i gromadzenia danych ma kluczowe znaczenie dla czujników. Wreszcie konieczne jest uporządkowanie i analiza zebranych danych oraz przekształcenie ich w naprawdę wartościową treść, dlatego należy je zwizualizować, ocenić i przetworzyć. Na tej podstawie konserwacja predykcyjna stwarza również możliwości dla podzielonych profesjonalnych graczy w dziedzinie gromadzenia, analizy i oceny danych, w tym dostawców podstawowego i kluczowego sprzętu. Z jednej strony przedsiębiorstwa typu monitorowanie stanu (firmy dostarczające czujniki i rozwiązania do monitorowania stanu do pomiaru parametrów mechanicznych, takich jak wibracje czy temperatura); Z drugiej strony jest to przedsiębiorstwo typu przemysłowy system sterowania (system PLC/DCS do przetwarzania procesów i przetwarzania danych związanych z maszynami). W ostatnich latach wiele znanych przedsiębiorstw włączyło już konserwację predykcyjną do swojej strategii strategicznej. Obecnie na rynku istnieje wiele doskonałych platform do gromadzenia i analizy danych. Na przykład Ge, Siemens, abb, Phoenix Electric, Schneider Electric, Honeywell itp. Predix of Ge: predix to platforma usług w chmurze opracowana przez GE do celów danych i analiz przemysłowych. Jest odpowiedzialny za łączenie różnych aktywów przemysłowych, sprzętu i dostawców z chmurą, zapewnianie pełnego przewidywania stanu i usterek różnych urządzeń przemysłowych w celu optymalizacji wydajności produkcji, zarządzania zużyciem energii, optymalizacji harmonogramu itp. Predix wykorzystuje kombinację oparty na danych i mechanizm rozwiązywania problemów, takich jak jakość, wydajność i zużycie energii, a także pomaganie przedsiębiorstwom przemysłowym w realizacji transformacji cyfrowej.
Mindsphere firmy Siemens: Mindsphere to oparty na chmurze, otwarty system operacyjny Internetu rzeczy uruchomiony przez firmę Siemens. Może bezpiecznie i szybko łączyć produkty, fabryki, systemy oraz maszyny i sprzęt ze światem cyfrowym i w pełni wykorzystywać potencjalną wartość danych generowanych przez sprzęt i systemy w procesie działania przedsiębiorstwa, przenosić je do zastosowań przemysłowych Mindsphere z zaawansowaną funkcją analizy do analizy, aby uzyskać lepsze wyniki produkcyjne i operacyjne.
ABB Zdolność: ABB Zdolność integruje międzybranżowe możliwości ABB i zintegrowane możliwości cyfrowe, od sprzętu, przetwarzania brzegowego po usługi w chmurze. ABB Umiejętność Dostosowane rozwiązania cyfrowe pomogły wielu przedsiębiorstwom z branży energetycznej, petrochemicznej, metalurgicznej, maszynowej, samochodowej, okrętowej, centrów danych, infrastruktury itp. w realizacji wzajemnych połączeń z przemysłowym Internetem rzeczy, w pełni wykorzystać potencjał cyfrowy, poprawić wydajność , obniżyć koszty oraz poprawić bezpieczeństwo i podstawową konkurencyjność.
Schneider Electric ecostruxure: główną funkcją platformy ecostruxure jest umożliwienie skutecznego zarządzania efektywnością energetyczną przedsiębiorstwa w celu zmniejszenia kosztów operacyjnych przedsiębiorstw, w tym połączonych produktów, kontroli brzegowej oraz zastosowań, analiz i usług. Ecostruxure łączy doświadczenie i wiedzę firmy Schneider Electric w zakresie automatyzacji i zarządzania efektywnością energetyczną z technologią pomiarów i analiz opartych na danych, aby pomóc klientom maksymalizować wartość Internetu rzeczy.
Oprócz dostawców sprzętu i dostawców analizy danych, niektórzy dostawcy połączeń realizują połączenia przewodowe/bezprzewodowe za pośrednictwem modułów komunikacyjnych, bramek, M2M i innych urządzeń, takich jak Huawei, a także firmy obsługujące przechowywanie w chmurze i platformy aplikacji Internetu rzeczy, takie jak PTC, sap i inni giganci weszli na rynek poprzez segmenty rynku.Rozwój konserwacji predykcyjnej jest mniejszy niż oczekiwano Pojawiające się technologie, takie jak przetwarzanie w chmurze, technologia brzegowa i sztuczna inteligencja, otwierają możliwości zmiany wzorców rynkowych w zakresie konserwacji predykcyjnej. Ostatecznym celem konserwacji predykcyjnej jest wywarcie pozytywnego wpływu na zyski firmy. Choć perspektywy rozwoju konserwacji predykcyjnej są obiecujące, stopień penetracji konserwacji predykcyjnej w wielu tradycyjnych gałęziach przemysłu w Chinach jest nadal bardzo niski, a wiele przedsiębiorstw nadal ma wątpliwości, czy konserwacja predykcyjna rzeczywiście może przynieść wymierne korzyści. Badanie pokazuje, że główne powody, dla których późniejszy rozwój rynku konserwacji predykcyjnej jest mniejszy niż oczekiwano, są następujące:● zwrot z inwestycji jest trudny do obliczenia Dla przedsiębiorstw przemysłowych, jeśli zwrot z inwestycji nie jest jasny, oznacza to, że efekt jest powolny, efekt jest trudny do oceny, a czas, w którym konserwacja predykcyjna naprawdę zadziała, jest dłuższy niż oczekiwano. Naturalnie, chęć promocji przedsiębiorstw przemysłowych nie wzrośnie.● trudno jest zmienić tradycyjny sposób myślenia w biznesie W przypadku dostawców usług konserwacji predykcyjnej należy zmienić koncepcję sprzedaży produktów ze sprzedaży produktów na sprzedaż usług wykorzystywanych przez produkty. Jeśli weźmie się pod uwagę jedynie ryzyko przestojów zmniejszone dzięki konserwacji predykcyjnej i ekonomiczny rachunek oszczędności, to jest to zdecydowanie za mało. Dobry model biznesowy niekoniecznie pomaga użytkownikom końcowym zaoszczędzić więcej pieniędzy, ale pomaga dostawcom usług sprzętowych lub producentom sprzętu zarobić więcej pieniędzy.● podstawy nie są solidne, a ilość danych jest niewystarczająca Konserwacja predykcyjna urządzeń przemysłowych napotyka powszechny problem, którego się unika - liczba czujników samego sprzętu jest niewystarczająca, wiele danych nie utworzyło efektywnej długoterminowej kumulacji, a często „poprawne dane” są znacznie lepsze niż „ big data” z ilością i bez jakości. Z obecnej sytuacji rozwojowej technologia konserwacji predykcyjnej nie jest jeszcze w pełni dojrzała i nadal istnieje pewna odległość od lądowania na dużą skalę. W przypadku dostawców na tym etapie należy rozważyć, w jaki sposób wykorzystać technologię konserwacji predykcyjnej, aby zapewnić użytkownikom praktyczną wartość, czyli redukcję kosztów, wzrost wydajności, bezpieczeństwo i zmianę tradycyjnego sposobu myślenia. Dla samego przedsiębiorstwa powinno ono posiadać wystarczającą samoświadomość. Jeżeli samo przedsiębiorstwo nie osiągnęło etapu lub poziomu cyfryzacji i inteligencji i nie jest wystarczające, aby wesprzeć wdrożenie programu konserwacji predykcyjnej, przedsiębiorstwo musi przeprowadzić ogólną ocenę własnej fabryki i porównać jej koszty wejściowe z bieżącym utrzymaniem kosztów przed podjęciem decyzji o wprowadzeniu konserwacji predykcyjnej. W przypadku przedsiębiorstw o pewnym poziomie cyfrowym przedsiębiorstwa potrzebują wystarczającego doświadczenia i wiedzy zawodowej, a nie ślepego wprowadzania zaawansowanych technologicznie systemów oprogramowania. Powinni wiedzieć, co jest „poprawne” i „przydatne” w funkcjonowaniu i utrzymaniu przedsiębiorstwa, co powinno dawać pierwszeństwo cyfryzacji i jak robić to skutecznie. Konserwacja predykcyjna wymaga od przedsiębiorstw i dostawców posiadania wystarczającej wiedzy branżowej, aby móc w pełni wdrożyć ją w większej liczbie branż oraz zmaksymalizować korzyści i wartość.
Konserwacja predykcyjna łączy dane z wielu źródeł, takie jak kluczowe czujniki sprzętu, planowanie zasobów przedsiębiorstwa (ERP), skomputeryzowany system zarządzania konserwacją (CMMS) i dane produkcyjne. Inteligentny system zarządzania zakładem łączy te dane z zaawansowanymi modelami predykcyjnymi i narzędziami analitycznymi w celu przewidywania usterek i aktywnego ich rozwiązywania. Konserwacja predykcyjna ma następujące zalety: ● niewielki wpływ na linię produkcyjną: w przeciwieństwie do inteligentnej produkcji, sama linia produkcyjna wymaga transformacji i modernizacji. Sprzęt sprzętowy do konserwacji predykcyjnej ma głównie za zadanie pomóc w ustanowieniu połączenia między sprzętem a serwerem. Nie ma potrzeby zmiany linii produkcyjnej ani procesu produkcyjnego, co ma niewielki wpływ na ogólny harmonogram produkcji. ● wysoka powtarzalność: rozwiązanie można szybko skopiować na to samo urządzenie, a im więcej urządzeń zostanie zaimportowanych, tym więcej będzie generowanych dostępnych danych, co bardziej pomaga w poprawie dokładności modelu. ● znaczące rezultaty merytoryczne: konserwacja predykcyjna może pomóc w obniżeniu kosztów i zwiększeniu efektywności usług eksploatacyjnych i utrzymaniowych. Według badania konserwacja predykcyjna może obniżyć koszty MrOS (konserwacja, naprawy i eksploatacja) o 5-10%, a ogólne koszty utrzymania o 5-10%; Jeśli chodzi o poprawę wydajności, konserwacja predykcyjna może wydłużyć normalny czas pracy sprzętu o 10–20%, skrócić czas konserwacji sprzętu o 20–50% i zapewnić lepszą gwarancję jakości produktu. ● szerokie scenariusze zastosowań: główna zasada konserwacji predykcyjnej opiera się na łączeniu sprzętu w sieć, gromadzeniu danych, analizie dużych zbiorów danych i uczeniu maszynowym. Ma ogromny potencjał rozwoju w przyszłości i stopniowo promuje rozszerzenie scenariuszy użytkowania z konserwacji sprzętu na planowanie, zarządzanie aktywami itp. Gracze na rynku konserwacji predykcyjnej W procesie konserwacji predykcyjnej najważniejsze są dane. Sposób uzyskiwania i gromadzenia danych ma kluczowe znaczenie dla czujników. Wreszcie konieczne jest uporządkowanie i analiza zebranych danych oraz przekształcenie ich w naprawdę wartościową treść, dlatego należy je zwizualizować, ocenić i przetworzyć. Na tej podstawie konserwacja predykcyjna stwarza również możliwości dla podzielonych profesjonalnych graczy w dziedzinie gromadzenia, analizy i oceny danych, w tym dostawców podstawowego i kluczowego sprzętu. Z jednej strony przedsiębiorstwa typu monitorowanie stanu (firmy dostarczające czujniki i rozwiązania do monitorowania stanu do pomiaru parametrów mechanicznych, takich jak wibracje czy temperatura); Z drugiej strony jest to przedsiębiorstwo typu przemysłowy system sterowania (system PLC/DCS do przetwarzania procesów i przetwarzania danych związanych z maszynami). W ostatnich latach wiele znanych przedsiębiorstw włączyło już konserwację predykcyjną do swojej strategii strategicznej. Obecnie na rynku istnieje wiele doskonałych platform do gromadzenia i analizy danych. Na przykład Ge, Siemens, abb, Phoenix Electric, Schneider Electric, Honeywell itp. Predix of Ge: predix to platforma usług w chmurze opracowana przez GE do celów danych i analiz przemysłowych. Jest odpowiedzialny za łączenie różnych aktywów przemysłowych, sprzętu i dostawców z chmurą, zapewnianie pełnego przewidywania stanu i usterek różnych urządzeń przemysłowych w celu optymalizacji wydajności produkcji, zarządzania zużyciem energii, optymalizacji harmonogramu itp. Predix wykorzystuje kombinację oparty na danych i mechanizm rozwiązywania problemów, takich jak jakość, wydajność i zużycie energii, a także pomaganie przedsiębiorstwom przemysłowym w realizacji transformacji cyfrowej. Mindsphere firmy Siemens: Mindsphere to oparty na chmurze, otwarty system operacyjny Internetu rzeczy uruchomiony przez firmę Siemens. Może bezpiecznie i szybko łączyć produkty, fabryki, systemy oraz maszyny i sprzęt ze światem cyfrowym i w pełni wykorzystywać potencjalną wartość danych generowanych przez sprzęt i systemy w procesie działania przedsiębiorstwa, przenosić je do zastosowań przemysłowych Mindsphere z zaawansowaną funkcją analizy do analizy, aby uzyskać lepsze wyniki produkcyjne i operacyjne. ABB Zdolność: ABB Zdolność integruje międzybranżowe możliwości ABB i zintegrowane możliwości cyfrowe, od sprzętu, przetwarzania brzegowego po usługi w chmurze. ABB Umiejętność Dostosowane rozwiązania cyfrowe pomogły wielu przedsiębiorstwom z branży energetycznej, petrochemicznej, metalurgicznej, maszynowej, samochodowej, okrętowej, centrów danych, infrastruktury itp. w realizacji wzajemnych połączeń z przemysłowym Internetem rzeczy, w pełni wykorzystać potencjał cyfrowy, poprawić wydajność , obniżyć koszty oraz poprawić bezpieczeństwo i podstawową konkurencyjność. Schneider Electric ecostruxure: główną funkcją platformy ecostruxure jest umożliwienie skutecznego zarządzania efektywnością energetyczną przedsiębiorstwa w celu zmniejszenia kosztów operacyjnych przedsiębiorstw, w tym połączonych produktów, kontroli brzegowej oraz zastosowań, analiz i usług. Ecostruxure łączy doświadczenie i wiedzę firmy Schneider Electric w zakresie automatyzacji i zarządzania efektywnością energetyczną z technologią pomiarów i analiz opartych na danych, aby pomóc klientom maksymalizować wartość Internetu rzeczy.Oprócz dostawców sprzętu i dostawców analizy danych, niektórzy dostawcy połączeń realizują połączenia przewodowe/bezprzewodowe za pośrednictwem modułów komunikacyjnych, bramek, M2M i innych urządzeń, takich jak Huawei, a także firmy obsługujące przechowywanie w chmurze i platformy aplikacji Internetu rzeczy, takie jak PTC, sap i inni giganci weszli na rynek poprzez segmenty rynku.Rozwój konserwacji predykcyjnej jest mniejszy niż oczekiwano Pojawiające się technologie, takie jak przetwarzanie w chmurze, technologia brzegowa i sztuczna inteligencja, otwierają możliwości zmiany wzorców rynkowych w zakresie konserwacji predykcyjnej. Ostatecznym celem konserwacji predykcyjnej jest wywarcie pozytywnego wpływu na zyski firmy. Choć perspektywy rozwoju konserwacji predykcyjnej są obiecujące, stopień penetracji konserwacji predykcyjnej w wielu tradycyjnych gałęziach przemysłu w Chinach jest nadal bardzo niski, a wiele przedsiębiorstw nadal ma wątpliwości, czy konserwacja predykcyjna rzeczywiście może przynieść wymierne korzyści. Badanie pokazuje, że główne powody, dla których późniejszy rozwój rynku konserwacji predykcyjnej jest mniejszy niż oczekiwano, są następujące:● zwrot z inwestycji jest trudny do obliczenia Dla przedsiębiorstw przemysłowych, jeśli zwrot z inwestycji nie jest jasny, oznacza to, że efekt jest powolny, efekt jest trudny do oceny, a czas, w którym konserwacja predykcyjna naprawdę zadziała, jest dłuższy niż oczekiwano. Naturalnie, chęć promocji przedsiębiorstw przemysłowych nie wzrośnie.● trudno jest zmienić tradycyjny sposób myślenia w biznesie W przypadku dostawców usług konserwacji predykcyjnej należy zmienić koncepcję sprzedaży produktów ze sprzedaży produktów na sprzedaż usług wykorzystywanych przez produkty. Jeśli weźmie się pod uwagę jedynie ryzyko przestojów zmniejszone dzięki konserwacji predykcyjnej i ekonomiczny rachunek oszczędności, to jest to zdecydowanie za mało. Dobry model biznesowy niekoniecznie pomaga użytkownikom końcowym zaoszczędzić więcej pieniędzy, ale pomaga dostawcom usług sprzętowych lub producentom sprzętu zarobić więcej pieniędzy.● podstawy nie są solidne, a ilość danych jest niewystarczająca Konserwacja predykcyjna urządzeń przemysłowych napotyka powszechny problem, którego się unika - liczba czujników samego sprzętu jest niewystarczająca, wiele danych nie utworzyło efektywnej długoterminowej kumulacji, a często „poprawne dane” są znacznie lepsze niż „ big data” z ilością i bez jakości. Z obecnej sytuacji rozwojowej technologia konserwacji predykcyjnej nie jest jeszcze w pełni dojrzała i nadal istnieje pewna odległość od lądowania na dużą skalę. W przypadku dostawców na tym etapie należy rozważyć, w jaki sposób wykorzystać technologię konserwacji predykcyjnej, aby zapewnić użytkownikom praktyczną wartość, czyli redukcję kosztów, wzrost wydajności, bezpieczeństwo i zmianę tradycyjnego sposobu myślenia. Dla samego przedsiębiorstwa powinno ono posiadać wystarczającą samoświadomość. Jeżeli samo przedsiębiorstwo nie osiągnęło etapu lub poziomu cyfryzacji i inteligencji i nie jest wystarczające, aby wesprzeć wdrożenie programu konserwacji predykcyjnej, przedsiębiorstwo musi przeprowadzić ogólną ocenę własnej fabryki i porównać jej koszty wejściowe z bieżącym utrzymaniem kosztów przed podjęciem decyzji o wprowadzeniu konserwacji predykcyjnej. W przypadku przedsiębiorstw o pewnym poziomie cyfrowym przedsiębiorstwa potrzebują wystarczającego doświadczenia i wiedzy zawodowej, a nie ślepego wprowadzania zaawansowanych technologicznie systemów oprogramowania. Powinni wiedzieć, co jest „poprawne” i „przydatne” w funkcjonowaniu i utrzymaniu przedsiębiorstwa, co powinno dawać pierwszeństwo cyfryzacji i jak robić to skutecznie. Konserwacja predykcyjna wymaga od przedsiębiorstw i dostawców posiadania wystarczającej wiedzy branżowej, aby móc w pełni wdrożyć ją w większej liczbie branż oraz zmaksymalizować korzyści i wartość.