Промышленный IoT для предиктивного обслуживания: проактивные стратегии снижения простоев и затрат

Или, точнее, как Промышленный интернет вещей помогает предиктивному обслуживанию (обслуживанию машины до поломки и простоя).

Не секрет, что предиктивное обслуживание — тема сложная. Идея обслуживать машины непосредственно перед отказом представляет идеальный кейс по нескольким причинам:

• Не нужно держать запас запчастей на складе
• Избегаете чрезмерного обслуживания (дорогого)
• Избегаете поломок и имеете точное представление о состоянии машины

Обычно производитель указывает MTBF (Mean Time Between Failures) или MTTF (Mean Time To Failure). Хотя они звучат похоже, есть отличие: MTTF обычно применяется к неремонтируемым системам. Обслуживание проводится периодически в моменты, меньшие MTBF. Статистически это должно гарантировать, что отказ «никогда» не произойдёт, так как вы постоянно обслуживаете и «сбрасываете» период MTBF, но в реальности это не работает так просто.

Предиктивное обслуживание может быть простым, как квалифицированный оператор, слышащий необычный звук от своего станка. Но в контексте ППП мы говорим о постоянном in-situ мониторинге множества переменных — вибрация, температура, давление, ток и т.д. в зависимости от ситуации — это индикаторы состояния. In-situ мониторинг обычно выполняется малыми низкозатратными сенсорами и периферией с интернет-подключением — потоковая передача данных в облако.

Красота ППП в том, что мы можем дешево и легко мониторить эти сложные параметры — без ручных инспекций.

Так мы можем легко мониторить, но что это значит на практике? С передовыми прогностическими методами (определением момента отказа на основе использования и индикаторов состояния) мы уходим от обслуживания на базе MTBF/MTTF. Это означает потенциальную экономию (производитель консервативен и склоняется к чрезмерному обслуживанию), но критически важно — получение информации лучшего качества о том, что нужно обслуживать и почему.