I zdánlivě obyčejný zvuk může být cenným zdrojem informací o technickém stavu stroje. Pomocí mikrofonů umístěných na vybraných částech zařízení lze sledovat vývoj hlučnosti a rozpoznat situace, kdy se stroj chová jinak než obvykle – například kvůli opotřebení součástek, chybějícímu mazivu nebo nesprávnému seřízení.

Tento přístup představuje jednu z cest, jak v praxi využít prediktivní údržbu (Predictive Maintenance) – moderní způsob péče o výrobní zařízení, který využívá data k předvídání poruch ještě dříve, než k nim skutečně dojde.

Co je prediktivní údržba

Prediktivní údržba (angl. Predictive Maintenance, PdM) je strategie založená na analýze historických i aktuálních dat ze senzorů, měřicích systémů a výrobních linek. Na rozdíl od běžné preventivní údržby, která probíhá v pevných intervalech, se prediktivní údržba spouští pouze tehdy, když data naznačují zhoršení provozního stavu.

Díky tomu je možné:

• odhalit vznikající poruchu včas,
• snížit náklady na servis a odstávky,
• zvýšit bezpečnost a spolehlivost provozu,
• plánovat údržbu podle skutečného stavu zařízení.

Od záznamu hluku k predikci poruchy

V rámci jednoho z projektů jsme se zaměřili na analýzu časových řad měřeného hluku. Mikrofony na motoru a převodovce zaznamenávaly úroveň hluku každou minutu. Data byla následně očištěna, synchronizována s informacemi o výrobě a analyzována v prostředí SPSS Modeler podle metodiky CRISP-DM – od přípravy dat až po vytvoření modelu.

Prvním krokem bylo stanovení expertních pravidel, například že průměrná úroveň hluku nesmí překročit mez stanovenou z historických hodnot. Tato pravidla umožňují identifikovat zjevné odchylky i při menším množství dat.

Pro pokročilejší detekci jsme využili model strojového učení – seskupovací algoritmus k-means. Ten vypočítal pro každou časovou řadu tzv. anomální skóre, které udává, jak moc se průběh hlučnosti liší od běžných situací. Vysoké skóre signalizuje možné opotřebení nebo nadcházející poruchu.

Výsledky modelu se následně vizualizovaly v interaktivním reportu, kde technici i vedoucí údržby mohou v reálném čase sledovat vývoj chování stroje a rozhodovat o dalším postupu.

Ukázkový příklad úlohy

Představme si stroj, který pracuje v 60minutových cyklech a každou minutu se zaznamenává průměrná úroveň hluku.
Z historických dat víme, že běžná hladina se pohybuje mezi 40 % – 65 %. Pokud nový cyklus vykazuje průměrnou úroveň 82 % a současně vyšší variabilitu (směrodatná odchylka 10 % oproti běžným 3 %), systém označí tuto časovou řadu jako anomální.

Technik tak obdrží upozornění, že je vhodné provést kontrolu ložisek nebo převodovky – dříve, než by došlo k závažné poruše.

Podívejte se na webinář:
S Power BI od výrobních dat k chytrým rozhodnutím

Ukážeme vám, jak na analýzu dat krok za krokem.

Sdílený a interaktivní reporting v Power BI

Klíčovou součástí prediktivní údržby je i vizualizace a sdílení výsledků. Data z měření i z modelů se převádějí do interaktivních reportů v nástrojích jako Power BI, které umožňují různé pohledy pro techniky i management.

• Technici mohou v reálném čase sledovat průběhy hluku, vibrací či teplot a vyhodnocovat aktuální stav zařízení.
• Management má k dispozici přehledné dashboardy s indikátory výkonnosti, statistikami poruchovosti nebo odhady zbývající životnosti zařízení (Remaining Useful Life).

Díky propojení s interními systémy lze v Power BI zobrazovat nejen aktuální hodnoty, ale i historické trendy, automatická upozornění a predikce dalšího vývoje. Sdílený reporting tak zajišťuje, že všechny úrovně řízení pracují se stejnými daty – od operátora až po vedení výroby.

Jak může report s výrobními daty vypadat?

Vyzkoušejte si sami, jaké informace můžete získat.
Stačí jen kliknout.

Další možné úlohy prediktivní údržby

Prediktivní údržba může využívat různé typy senzorických dat – nejen hluk, ale také vibrace, teplotu, tlak, elektrický odběr nebo rychlost otáčení. Pomocí analytických modelů lze řešit například:

• Predikci selhání ložisek či motorů na základě vibrací a teplot,
• Sledování opotřebení nástrojů ve výrobních linkách,
• Detekci netěsností v tlakových nebo hydraulických systémech,
• Analýzu spotřeby energie a identifikaci neefektivních provozů,
• Predikci poruch čerpadel, ventilátorů a dopravníků,
• Rozpoznání zhoršení kvality výroby způsobené změnou vibrací nebo teplot.

Od dat k chytrým rozhodnutím

Prediktivní údržba spojuje datovou analytiku, strojové učení a praktické zkušenosti z výroby. Umožňuje reagovat dříve, než nastane problém – a proměňuje tak údržbu z reaktivní v proaktivní.

Díky kombinaci automatické detekce anomálií, vizualizace dat v Power BI a inteligentních modelů mohou firmy optimalizovat provoz, prodloužit životnost zařízení a získat spolehlivý podklad pro rozhodování.

Chcete zjistit, jaké prediktivní modely nebo reporting by mohl pomoci ve vaší výrobě?

Využijte krátkou 30 minutovou konzultaci s našimi specialisty.

REZERVUJTE SI TERMÍN JEŠTĚ DNES!