۱۰ گام برای راه‌اندازی موفق پایلوت نگهداری پیشگویانه

نگهداری پیشگویانه چیست؟

در عمل، پیاده‌سازی نگهداری پیشگویانه اغلب با مقاومت روبرو می‌شود. اجرای یک برنامه پایلوت Predictive Maintenance Pilot راهی عالی برای جمع‌آوری داده‌ها، قانع کردن مخالفان و نشان دادن بازگشت سرمایه (ROI) است. همچنین کمک می‌کند تا rollout به مقیاس بزرگ‌تر را دقیق‌تر تنظیم کنید.

این مقاله راهنمای گام‌به‌گام پیاده‌سازی نگهداری پیشگویانه از طریق یک پروژه آزمایشی کوچک است. با مرور مراحل و مزایای مورد انتظار، استراتژی Predictive Maintenance خود را بهتر بسازید.

مراحل پیاده‌سازی پایلوت نگهداری پیشگویانه (Steps to Implement a Predictive Maintenance Pilot)

یک برنامه پایلوت دو هدف اصلی دارد: جمع‌آوری داده‌های لازم برای توجیه پیاده‌سازی گسترده‌تر و شناسایی نیاز به تغییر رویکرد برای حداکثر کردن مزایا. علاوه بر این، کمک می‌کند تا کسانی که به دلایل هزینه، ریسک یا احساس تهدید با Predictive Maintenance مخالف هستند، همراه شوند.

۱۰ گام کلیدی برنامه پایلوت نگهداری پیشگویانه به شرح زیر است:

#۱: تعریف اهداف و معیارها (Define Objectives and Criteria)

تصمیم بگیرید چه چیزی می‌خواهید به دست آورید و چگونه پیشرفت را اندازه‌گیری کنید. بودجه را هم در همین مرحله تعیین کنید چون تعداد و نوع سنسورها را مشخص می‌کند.

اهداف معمول عبارتند از:

• کاهش downtime (یا افزایش availability)
• افزایش عمر تجهیزات
• کاهش هزینه‌های نگهداری

اندازه‌گیری معمولاً با MTBF (میانگین زمان بین خرابی‌ها)، availability (به عنوان بخشی از محاسبه OEE)، یا صرفه‌جویی دلاری انجام می‌شود، اما می‌توانید معیارهای دیگری را هم برای پایلوت توافق کنید.

#۲: انتخاب دارایی‌ها برای آزمایش (Choose Assets to Test)

انتخاب منطقه یا گروه ماشین‌آلاتی که مزایای Predictive Maintenance را به خوبی نشان دهد بسیار مهم است. باید تجهیزات حیاتی برای تولید انتخاب شوند و تکنولوژی سنسور برای آن‌ها موجود باشد.

ماشین‌آلات دوار مانند پمپ‌ها (pumps)، موتورها (motors) و فن‌ها (fans) گزینه عالی برای پایلوت هستند چون فناوری‌های متعدد سنسور و تشخیص عیب برای آن‌ها وجود دارد.

#۳: تدوین برنامه جمع‌آوری و تحلیل داده‌ها (Develop Data Collection and Analysis Plans)

ابتدا داده‌های پایه عملکرد را ثبت کنید، سپس داده‌های سنسورهای نصب‌شده روی تجهیزات پایلوت را جمع‌آوری و تحلیل کنید.

آیا قرار است کسی به صورت دوره‌ای به ماشین سر بزند و نمونه‌برداری کند یا از فناوری Industry 4.0 برای جمع‌آوری و تحلیل real-time استفاده شود؟ آیا فرصتی برای تبدیل این پروژه به پایلوت predictive maintenance machine learning وجود دارد؟

#۴: انتخاب تجهیزات مناسب پایش وضعیت (Select Proper Condition Monitoring Equipment)

پس از انتخاب ماشین‌ها یا منطقه پایلوت، مشخص کنید کدام پارامترها باید پایش شوند. اگر سوابق نگهداری وجود دارد، آن‌ها را بررسی کنید تا failure modes اصلی مشخص شود.

انجام root cause analysis کمک می‌کند تا ویژگی‌های درست برای پایش انتخاب شوند. بعد از تعیین این ویژگی‌ها، به دنبال سنسورهایی با نرخ نمونه‌برداری بالا، رابط‌های ارتباطی و شاید قابلیت edge computing بگردید.

#۵: تنظیم انتظارات واقع‌بینانه (Set Expectations)

پایلوت فرصتی برای یادگیری است که چه چیزی کار می‌کند و چه چیزی نه. Predictive Maintenance در ابتدا همه خرابی‌ها را حذف نمی‌کند. زمان لازم است تا تاریخچه کافی برای تشخیص زودهنگام ناهنجاری‌ها ایجاد شود.

وقتی ناهنجاری مشاهده شد، بررسی کنید که وضعیت ماشین و احتمال خرابی چقدر با داده‌ها همخوانی دارد. ممکن است در ابتدا downtime بیشتر از قبل شود. ذی‌نفعان باید از قبل برای این موضوع آماده باشند.

#۶: اجرای برنامه پایلوت (Implement Pilot Program)

سنسورها را نصب کنید و جمع‌آوری داده را شروع کنید. مدل‌های الگوریتمی را پیاده و تست کنید تا شرایط غیرعادی که نشانه خرابی قریب‌الوقوع هستند شناسایی شوند. بازرسی ماشین انجام دهید تا دلایل سیگنال‌های غیرعادی مشخص شود. ذی‌نفعان را همیشه از پیشرفت مطلع نگه دارید.

#۷: پیگیری بازخورد مداوم و بهبود مدل‌سازی (Pursue Continuous Feedback and Modeling Improvement)

با یادگیری درس‌ها و اطلاعات جدید، برنامه پایلوت را به‌روزرسانی کنید. استفاده از مدل‌های predictive maintenance برای هدایت بهبود الگوریتم‌ها بخش اصلی است.

بهبود می‌تواند شامل اضافه کردن سنسورهای بیشتر یا نوع متفاوت، تغییر فرکانس نمونه‌برداری و بازنگری آستانه‌های اقدام باشد.

#۸: تحلیل موفقیت‌ها و شکست‌ها (Analyze Successes and Failures)

اگر در طول پایلوت ماشین خراب شد، بررسی کنید چرا علائم به موقع تشخیص داده یا اقدام نشده است. برعکس، اگر بر اساس داده‌ها نگهداری انجام دادید، قطعات تعویض‌شده و وضعیت ماشین را بررسی کنید تا ببینید چقدر به خرابی نزدیک بوده.

به ذی‌نفعان یادآوری کنید که خرابی‌ها فرصت بهبود هستند. اگر نگهداری نتوانست جلوی خرابی را بگیرد، موفقیت کامل نیست.

#۹: بررسی مقیاس‌پذیری (Consider Scalability)

هدف نهایی پایلوت Predictive Maintenance جمع‌آوری داده برای توجیه و هدایت rollout برنامه بزرگ‌تر است؛ شاید در یک خط تولید، کل کارخانه یا حتی سراسر سازمان.

#۱۰: پیاده‌سازی گسترده‌تر (Wider Implementation)

نکات مهم برای پیاده‌سازی گسترده:

• تنوع فناوری سنسور و تعداد تامین‌کنندگان: هرچه کمتر بهتر؛ استانداردسازی یادگیری را آسان‌تر و نیاز به قطعات یدکی را ساده می‌کند (به شرط پایش ویژگی‌های درست).
• فناوری‌های ارتباطی: Wired Ethernet برای مناطق کوچک نزدیک دفتر نگهداری مناسب است، اما برای کارخانه‌های بزرگ یا چند سایت، فناوری‌هایی مانند cellular بهتر است.
• مسئولیت تحلیل و تفسیر داده: روش دستی برای پایلوت کافی است، اما با افزایش حجم داده، اتوماسیون ضروری می‌شود. تصمیم بگیرید آیا machine learning یا ابزارهای دیگر مفید هستند.

مزایای برنامه‌های نگهداری پیشگویانه (Benefits of Predictive Maintenance Programs)

نگهداری صنعتی می‌خواهد ماشین‌ها هر زمان لازم بود با نرخ و کیفیت مورد نظر در دسترس باشند. بسیاری از کارخانه‌ها از استراتژی planned maintenance استفاده می‌کنند، اما با منابع محدود و زمان محدود ماشین‌ها، تمرکز روی اولویت‌ها ضروری است.

Predictive Maintenance با پایش ماشین و تاریخچه داده‌ها تعیین می‌کند چه زمانی کار لازم است. مزایا عبارتند از:

• حذف نگهداری‌های غیرضروری: ماشین را بی‌دلیل از مدار خارج نمی‌کنید و در ساعات نگهداری و مواد صرفه‌جویی می‌شود.
• زمان‌بندی بهتر نگهداری: با تخمین زمان باقی‌مانده تا خرابی (بهترین با کمک تاریخچه دقیق ماشین)، تعمیر را در زمانی برنامه‌ریزی می‌کنید که تولید را مختل نکند.
• کاهش موجودی قطعات یدکی: به جای انبار بزرگ از کوپلینگ، تسمه و فیلتر، موجودی کم می‌شود چون فقط وقتی تصمیم به تعمیر یا تعویض گرفته شد، قطعه خریداری می‌شود.
• افزایش availability ماشین: بهینه‌سازی برنامه و نوع نگهداری، خرابی‌ها را کم و نیاز به توقف برای بازرسی را کاهش می‌دهد. این به OEE بالاتر و تولید بیشتر کمک می‌کند.
• افزایش انگیزه تکنسین‌های نگهداری: هیچ‌کس از کار غیرضروری لذت نمی‌برد (که گاهی در time-based preventive maintenance پیش می‌آید). با Predictive Maintenance تکنسین‌ها می‌بینند سیستم به آن‌ها کمک می‌کند خرابی را پیشگیری کنند، اعتمادشان بیشتر می‌شود و از کاهش خرابی‌ها خوشحال می‌شوند.

دریافت پشتیبانی برای پیاده‌سازی نگهداری پیشگویانه (Get Support Deploying Predictive Maintenance)

Predictive Maintenance قول کاهش کار نگهداری، پایین آوردن هزینه‌ها و افزایش availability ماشین را می‌دهد. اما پیشنهادهای پذیرش این استراتژی اغلب با مقاومت روبرو می‌شود، به‌خصوص درباره هزینه پیاده‌سازی و مزایای بعدی.

علاوه بر این، شناسایی همه ویژگی‌های مهم برای پایش قبل از شروع برنامه معمولاً واقع‌بینانه نیست. باید رویکرد را بر اساس درس‌های آموخته‌شده و داده‌های به‌دست‌آمده مدام بازنگری کرد.

یک برنامه پایلوت Predictive Maintenance راهی کم‌ریسک برای رفع این نگرانی‌ها، جمع‌آوری داده، یادگیری و همراه کردن ذی‌نفعان با اهداف است. با این حال، نیاز به برنامه‌ریزی و اجرای دقیق دارد تا اهداف بزرگ‌تر را تضعیف نکند.

 

منبع: iotforall