در دهه 1940، دو اسکادران نیروی هوایی سلطنتی (RAF) با چالشی روبهرو شدند—از 40 بمبافکن، تنها 20 هواپیما آماده پرواز بودند. نگهداری معمول هر 50 ساعت پرواز انجام میشد، اما قابلیت اطمینان همچنان مشکل داشت. افزایش اقدامات پیشگیرانه به نظر راهحل میآمد، اما دانشمند کنراد هال وادینگتون، مسئول هواپیماهای اسکادران ساحلی RAF، این دیدگاه را به چالش کشید.
او پارادوکسی کشف کرد: تعداد خرابیها پس از نگهداری برنامهریزیشده افزایش مییافت، در حالی که باید برعکس میشد. وادینگتون پیشنهاد داد که نگهداری نه بر اساس برنامه ثابت، بلکه بر اساس وضعیت واقعی تجهیزات انجام شود، که حالا پس از هر پرواز بررسی میشد. ساعات پرواز 60 درصد افزایش یافت و این رویکرد پیشزمینه نگهداری پیشبینانه (Predictive Maintenance یا PdM) مدرن بر اساس دادههای وضعیت تجهیزات شد.
برای مدت طولانی، دادهها بهصورت دستی جمعآوری و ثبت میشدند. برای مثال، برای بررسی وضعیت یاتاقانها، یک متخصص باید یک ویبرومتر (Vibrometer) را به هر موتور در محل اعمال میکرد. امروزه، عملکرد تجهیزات با حسگرهای دیجیتال (Digital Sensors) نظارت میشود و هوش مصنوعی (AI) دادهها را تحلیل میکند. در این مقاله، به فناوریهای استفادهشده در نگهداری پیشبینانه مدرن عمیقتر میپردازیم و چگونگی تکامل این رویکرد را بررسی میکنیم.
افزایش هزینههای خرابی و نقش نگهداری پیشبینانه
هزینه خرابی تجهیزات در حال افزایش است. در دهه 1980، شرکتهای هواپیمایی به دلیل توقف یک بوئینگ 747 روزانه حدود 400,000 دلار درآمد از دست میدادند. امروزه، برای شرکتهای بزرگ با صدها ماشین، هزینه توقف (Downtime) میتواند به صدها هزار دلار در ساعت برسد.
شرکتهای تولیدی و صنعتی در لیست Fortune Global 500 سالانه 172 میلیون دلار به دلیل توقفهای برنامهریزینشده از دست میدهند. اغلب، این خرابیها قابل پیشبینی بودند. این همان مسیری است که شرکتهای پیادهکننده PdM در پیش گرفتهاند.
توسعه نگهداری پیشبینانه در دهه 2000 با افزایش قدرت محاسباتی شتاب گرفت. حسگرهایی برای نظارت بر وضعیت تجهیزات و اولین راهحلهای نرمافزاری برای تحلیل دادهها پدیدار شدند. این امر امکان خودکارسازی جزئی جمعآوری و پردازش دادهها را فراهم کرد. PdM کارایی نگهداری را بهبود بخشید، زیرا تصمیمات حالا بر اساس دادههای بلادرنگ تجهیزات (Real-Time Equipment Data) گرفته میشوند، نه صرفاً تاریخهای برنامهریزیشده برای تعویض قطعات یا روغن.
طبق گزارش Deloitte، شرکتهایی که PdM را پیادهسازی کردهاند، توقف را 10-15 درصد و هزینهها را 5-20 درصد کاهش دادهاند. برای یکی از مشتریان ما، که از بزرگترین بازیگران جهانی در حوزه تجارت الکترونیک است، این به صرفهجویی صدها میلیون دلار در تعویض تجهیزات، تعمیرات و توقف تبدیل شده است.
تخمین زده میشود 18.8 میلیارد دستگاه اینترنت اشیا (IoT) در سراسر جهان وجود داشته باشد، که یکسوم آنها برای نظارت بر وضعیت تجهیزات و خودکارسازی تحلیل استفاده میشوند.
معماری نگهداری پیشبینانه: چگونه کار میکند
فرآیند PdM، از تشخیص تا رفع خرابی، به چهار مرحله تقسیم میشود:
- جمعآوری داده از تجهیزات: این کار با استفاده از حسگرهای بیسیم IIoT (Industrial IoT) انجام میشود. آنها بهطور مداوم دادههایی درباره ارتعاش، دما و بیش از ده پارامتر دیگر جمعآوری میکنند. برای مثال، از نیم میلیون حسگر نصبشده در سایتهای مشتریان ما، روزانه بیش از 10 میلیارد نقطه داده دریافت میکنیم.
- انتقال داده: حسگرها اطلاعات را از طریق اتصالات اینترنت موبایل یا، در مورد ما، پروتکلهای سفارشی طراحیشده به ذخیرهسازی ابری (Cloud Storage) منتقل میکنند. دادهها باید بدون از دست رفتن یا تأخیر برای اطمینان از تحلیل بلادرنگ (Real-Time Analytics) تحویل شوند.
- پردازش و تحلیل داده در ابر: مدلهای یادگیری ماشینی (ML Models) نوسانات غیرمرتبط را فیلتر میکنند، سیگنالها را نرمالسازی میکنند و دادهها را گروهبندی میکنند. سپس دادههای کنونی را با روندهای تاریخی مقایسه کرده و الگوها و ناهنجاریها را در عملکرد تجهیزات شناسایی میکنند. برای مثال، تحلیل دادههای ارتعاش میتواند مشکلات روانکاری یا اتصالات شل موتور را قبل از اینکه با چشم قابلمشاهده شوند، تشخیص دهد.
- شناسایی علت خرابی و تعمیر: بر اساس نتایج تحلیل، تحلیلگران نمودارهای سیگنال تجهیزات را تفسیر میکنند تا علت ناهنجاری را تعیین کنند. سپس وظیفهای دقیق برای تیم ایجاد میکنند: برنامهریزی نگهداری، تعویض قطعه یا تغییر روغن. اگر شرکت از خدمات پیمانکار استفاده کند، توصیههای تحلیلگران میتواند از طریق یک سرویس تخصصی، مانند پنل کنترل یا اپلیکیشن موبایل، ارسال شود.
پیادهسازی سیستمهای PdM عمدتاً درباره ساخت یک زیرساخت IT در مقیاس بزرگ است. مهندسان IoT و شبکه حسگرهای IIoT را با سرورهای ابری یا محلی ادغام میکنند و زیرساخت شبکه را برای انتقال پایدار دادهها راهاندازی میکنند.
معماران داده (Data Architects) معماری پایگاه داده را برای مدیریت ترابایت دادههای فاصلهای در روز طراحی میکنند. چنین سیستمی نیاز به نگهداری مداوم دارد تا پردازش سریع پرسوجوها، ادغام با کیفیت با تحلیلها و مقیاسپذیری (Scalability) را با رشد حجم دادهها تضمین کند.
چون PdM به تیم IT بزرگی نیاز دارد، بسیاری از کسبوکارها مدل “PdM as a Service“ را انتخاب میکنند و به تحلیلها و حسگرها اشتراک میکنند بدون اینکه خودشان زیرساخت را بسازند.
آینده نگهداری پیشبینانه
پیشبینی میشود تا سال 2030، بازار جهانی خدمات PdM به 60.13 میلیارد دلار برسد، در حالی که در سال 2022 این رقم 7.85 میلیارد دلار بود. در 10 سال گذشته، علاقه به تحلیل خودکار وضعیت تجهیزات 275 درصد افزایش یافته است.
سیستمهای مدرن PdM نه تنها مشکلات را تشخیص میدهند، بلکه آنها را پیشبینی میکنند. در برخی موارد، دقت پیشبینی (Prediction Accuracy) تا 99 درصد میرسد. ترکیب IIoT، دادههای بزرگ (Big Data) و هوش مصنوعی (AI) نگهداری را به یک رشته تحلیلی تبدیل کرده است.
بهزودی، تمرکز اصلی توسعه PdM بر خودکارسازی تصمیمگیری و مقیاسپذیری سیستم خواهد بود. برای مثال، ادغام با دوقلوهای دیجیتال (Digital Twins)—نسخههای مجازی داراییهای صنعتی که رفتار تجهیزات را شبیهسازی میکنند و آزمایش سناریوهای مختلف عملیاتی را ممکن میسازند.
علاوه بر صنعت، کاربردهای PdM به بخشهای دیگری مانند مراقبتهای بهداشتی، حملونقل، لجستیک و انرژی گسترش مییابد. در عین حال، اهمیت امنیت سایبری (Cybersecurity) در حال افزایش است، زیرا تجهیزات متصل به ابر باید به همان اندازه سروری که اطلاعات حساس را در خود دارد، ایمن شوند.
در آینده، نگهداری پیشبینانه حتی مؤثرتر خواهد شد. الگوریتمهای مدرن میتوانند مشکلات را زودتر از آنچه تحلیلگران باتجربه ممکن است در نمودارها متوجه شوند، تشخیص داده و هشدار دهند. برای مثال، سیستم نظارت بر وضعیت Waites میتواند سیگنالهای طیفی از یاتاقانها را که مدتها قبل از افزایش سطح کلی ارتعاش ظاهر میشوند، تحلیل کند. این سیستم زمانی که یک قطعه شروع به فرسایش میکند، هشدار میدهد.
کسبوکارهایی که PdM را پیادهسازی میکنند، نسبت به رقبا برتری دارند، زیرا تجهیزاتشان 10-20 درصد بیشتر کار میکند و خرابیها بسیار کمتر رخ میدهند.
منبع: iotforall