Smart technologie pro prediktivní údržbu

Dnes mnohé výrobní podniky nabízejí produkty a s tím spojené služby, včetně služeb využívajících smart technologie (často označované jako smart služby). Tyto technologie jsou schopny při chodu monitorovat vlastní činnost, o svém stavu informovat zákazníka a tyto informace dokonce přenášet i výrobci. Ten pak může informace dále zpracovat a využít je jak pro monitoring chodu zařízení, tak i pro dálkovou opravu, prediktivní údržbu či inovaci stávajících produktů. Díky těmto novým možnostem nabývá oblast smart služeb v posledních letech na svém významu.

Cílem mnoha podniků je maximalizace produktivity a minimalizace nákladů. Proto i výběr údržby záleží na vyhodnocení průměrných nákladů na odstranění poruchy ve srovnání s průměrnými náklady na údržbu a ve volbě nižších nákladů. Podle Maříka a kol. (2016) nemá více než polovina českých podniků připravenou strategii řízení údržby, která by odpovídala dlouhodobé potřebě reagovat na podnikatelský plán podniku. V současnosti jsou plány údržby nastaveny tak, že téměř všechen majetek je neustále ve stavu plné provozuschopnosti, čímž dochází k neefektivnímu čerpání finančních a personálních zdrojů, ale také zdrojů týkajících se náhradních dílů.

Přitom v oblasti řízení údržby je možné využít datovou analytiku, která se snaží lépe využít zdroje podniku. Proto se už mnohé české podniky začínají zabývat oblastí údržby využitím datových analýz. Na základě analýz dat mohou podniky lépe určit poruchové stavy, které mohou vést ke snížení výkonů či výpadku technologie ještě před skutečnou událostí. Navíc výsledky provedených analýz lze dále využít pro preventivní a prediktivní údržbu (Mařík a kol., 2016). Také podle výsledku výzkumu Global Industry 4.0 Survey (PWC, 2016) vyplynulo, že podniky vidí v digitalizaci a implementaci smart výroby i možnost úspory nákladů, a to právě v oblasti prediktivní údržby, která využívá prediktivní algoritmy pro optimalizaci rozvrhu oprav, údržby a zlepšuje provozuschopnost majetku.

Ideální situace pro podniky nastává, když i po ukončení samostatného výrobního procesu je formou velmi sofistikované služby zajišťován po celou dobu životnosti produktu jeho servis, příp. činnosti související s vylepšováním jeho užitných vlastností nebo technických parametrů. Tyto služby je možné poskytovat, především u složitějších a technicky náročnějších celků, díky monitoringu pomocí vzdáleného přístupu k produktu nebo zařízení, jehož součástí je konkrétní produkt. Další formou zprostředkování servisních služeb je aktivní monitoring a komunikace produktu se servisním střediskem s tím, že povýrobní údržba probíhá autonomně v režimu tzv. prediktivní údržby.

Princip prediktivní údržby je založen na automatickém odhalování začínající degradace zařízení a okamžitém řešení problému v momentě jeho identifikace. Tento postup se odráží v úsporách nákladů na údržbu v rozmezí 10 % až 40 % při započítání počátečních investic do diagnostických zařízení a vyškolení pracovníků. Prediktivní údržba se od klasické preventivní údržby liší tím, že řídí údržbu podle reálného stavu zařízení (např. pomocí on-line analýzy pro určení aktuálního stavu), ne podle předem stanoveného časového plánu (Zavoral a Zajíc, 2017).

Přínosy prediktivní údržby lze spatřovat podle Advancedtech (2017) v následujících oblastech:

• oblast nákupu – snížení nákladů na údržbu díky snížení opakovaných poruch, snížení počtu dodavatelů, dosažení cílů v oblasti ušetření nákladů, snížení energie;
• oblast provozu – zvýšení spolehlivosti zařízení, lepší spolehlivost vybavení, zvýšení ziskovosti, zlepšení využití pracovní síly;
• oblast údržby – určení možných poruch, plánované opravy, snížení nepoužitelné doby zařízení (tzv. prostojů).

Podle Zavorala a Zajíce (2017) lze výhody prediktivní údržby spatřovat v následujícím:

• provoz zařízení na optimální úrovni;
• zvýšení spolehlivosti;
• snížení počtu poruch;
• nárůst provozní životnosti;
• redukce prostojů zařízení, resp. procesů;
• minimalizace skladových zásob náhradních dílů.

Podle Sheikha (2016) je prediktivní údržba nejlepším nástrojem pro zajištění trvalé produktivity. Je možné ji ještě vylepšit za pomoci inteligentního plánování a provádění podrobných analýz. Dále prediktivní údržba znamená důkladně pochopit celkový chod zařízení a včetně okolního prostředí. Informace lze získat z dodané dokumentace originálních výrobců zařízení (OEM) a dále ze zkušeností servisních pracovníků. Podniky se orientují i na nová řešení v oblasti údržby, která jsou schopna v integrované podobě prediktivně sledovat proces servisu a údržby, a to od sběru dat ze zařízení přes plánování údržby až po její provádění a dokumentaci, často s využitím mobilních zařízení. Systémy mají sloužit ke zdokonalení servisu a údržby, přičemž důležitou vlastností je možnost propojení s podnikovými ERP systémy (Voigts, 2016). Cílem moderně řízené údržby je proto snaha podniků porozumět průběhu vzniku poruch nastávajících v různých situacích, za různých okolností, a navíc v reálném čase. Pomocí těchto informací lze určit a zajistit příslušná opatření. Dnes je možné při údržbě využívat inteligentních telefonů a tabletů až po budoucí zobrazení na nositelné elektronice typu brýlí nebo hodinek.

Z hloubkových rozhovorů provedených autorkou článku v roce 2018–2019 u dvanácti elektrotechnických malých a středních podniků vyplynulo, že nabídka služeb využívající smart technologie se týká těchto oblastí: monitoring produktu, diagnostika produktu, vzdálená kontrola a oprava, preventivní a prediktivní údržba a inovace produktu. Podle informací od respondentů je nabízen dálkový monitoring produktu všemi respondenty, a to podle požadavků zákazníka, např. on-line v pravidelných časových intervalech nebo podle jejich potřeby, dále možnost vyhodnocení technického problému (9 ze 12 respondentů) a také je nabízena následná oprava i na dálku či její rychlejší vyřízení, a to z důvodu poskytnutí velmi přesných informací servisním technikům právě díky DSST, např. o typech závady a místě závady (7 ze 12 respondentů). Zatím jen čtyři společnosti využívají informace k preventivní a prediktivní údržbě nebo k inovacím produktu. Podle respondentů se samozřejmě do budoucna zvýší tlak i na další rozšíření těchto služeb právě směrem k predikci a inovacím.

Na obrázku je uvedeno schéma mapující využití získaných informací od zákazníků dvanácti malých a středních elektrotechnických firem, kde je aktuálně oblast 1 nabízena a využívána nejčastěji, a naopak pak oblast 5 nejméně. Na druhou stranu se většina respondentů shodla, že v budoucnu chtějí jednoznačně posilovat i další oblasti (4 a 5) a nezůstávat jen u oblasti 1–3.

Význam prediktivní údržby jako důležité součásti doprovodných služeb využívajících smart technologie jednoznačně v budoucnu poroste, a to i díky přínosům, které mohou jak podniky, tak i jejich zákazníci z jejího poskytování získat.

Článek vychází z knihy autorky článku, která je na problematiku doprovodných služeb využívajících smart technologie zaměřena:
KAŇOVSKÁ, L. Využití smart technologií ve službách průmyslových podniků. Brno: Akademické nakladatelství CERM, 2018. 146 s. ISBN: 978-80-7204-990-5.

Použité zdroje:
ADVANCEDTECH. Predictive maintenance. [online]. 2017 [cit. 2018-01-12]. Dostupné z: https://www.advancedtech.com/resource/predictive-maintenance-performs/
MAŘÍK, Vladimír a kol. Průmysl 4.0: výzva pro Českou republiku. Management Press, 2016.
PWC. Industry 4.0: Building the digital enterprise Industrial manufacturing key findings. [online]. 2016 [cit. 2017-01-11]. Dostupné z: https://www.pwc.com/gx/en/industries/industry-4.0.html 2016.
SHEIKH, Salman Aftab. Preventivní údržba: Správně analyzujte získaná data. [online]. 2016 [cit. 2017-01-11]. Dostupné z: http://udrzbapodniku.cz/hlavni-menu/artykuly/artykul/article/preventivni-udrzba-spravne-analyzujte-ziskana-data/
VOIGTS, Richard. Výrobní podniky se zaměřují na servis a údržbu. Reflex – Extra – Komerční příloha o IT. 2016, č. 40, str. 10.
ZAVORAL, Petr; ZAJÍC, David. Technické inovace mění zaběhlé výrobní postupy. ICT revue. 2017, č. 6, str. 4–7.

VUT v Brně, Fakulta podnikatelská

Ing. Lucie Kaňovská, Ph.D.

kanovska@fbm.vutbr.cz

www.fbm.vutbr.cz/cs