Porucha stroje, výrobní linky nebo jakéhokoliv jiného systému je vždycky problém – někdy „jen“ finanční v podobě ztrát a vícenákladů, ale v krajních případech může průmyslová havárie představovat i obecné ohrožení. Stejně jako v lidském organismu také tady je prevence mnohem levnější a účinnější než řešit selhání, k němuž už došlo. Tak vznikl obor, kterému se říká prediktivní diagnostika. S nastupující umělou inteligencí, robotizací, Průmyslem 4.0 a průmyslovým internetem věcí roste i zájem o něj.

Fanoušci sci‑fi si možná vzpomenou, že prediktivní diagnostika se poprvé objevila už v románu (a filmu) 2001: Vesmírná odysea. „Máme další vadnou jednotku AE‑35,“ oznámil počítač Hall astronautům směřujícím k Saturnu na palubě kosmické lodi Discovery. „Centrum pro prevenci defektů signalizuje pravděpodobnou závadu během čtyřiadvaceti hodin…“ V knize se tak otevřela zápletka, která skončila smrtí většiny posádky, tady je ale důležité něco jiného: autor románu Arthur C. Clarke už roku 1968 předpověděl něco, co se stává skutečností teprve nyní, o půl století později.

Skutečná současná prediktivní diagnostika je součástí systému údržby a technické diagnostiky a nejčastěji je definována jako postup, který společně s detekcí vznikajícího problému a jeho lokalizací v systému umožňuje stanovit budoucí vývoj situace, včetně odhadu doby, po které dojde k selhání.

Od řešení problémů k odstranění jejich příčin

„Prediktivní údržba průmyslových strojů je jednou z náročných aplikací v nadcházející éře Průmyslu 4.0,“ konstatuje publikace Data Analytics for Predictive Maintenance of Industrial Robots (Datová analýza pro prediktivní údržbu průmyslových robotů) od kolektivu autorů vedeného Tawfikem Borgim z Polytechnické univerzity v Hauts‑de‑France. „Díky prediktivním schopnostem, které nabízí nově vznikající inteligentní analytika dat, se stále častěji používají datové přístupy pro včasnou detekci anomálií v chodu průmyslových strojů a linek.“

Jde tedy o to, že na základě sledování vývoje mnoha parametrů stroje v čase a jejich porovnání s vývojem u strojů stejných či podobných typů, u nichž již k poruše došlo, je možné s vysokou pravděpodobností předpovědět, kdy porucha postihne sledovaný stroj. To nabízí řadu výhod: zvýšení spolehlivosti provozu, snížení nákladů na údržbu, optimalizaci termínů kontrol a údržby (prodloužení kontrolních cyklů) a průběžné sledování stavu strojů, aniž by bylo nutné je vyřadit z provozu, nebo dokonce demontovat. V neposlední řadě je tu i možnost snížení ekologické zátěže.

Prediktivní diagnostika je v podstatě pokročilý systém údržby stroje nebo systému – na rozdíl od reaktivní údržby (breakdown maintenance, tedy zásahu až po výskytu problému nebo poruchy) nebo preventivní údržby (preventive maintenance nebo také time based maintenance), která se provádí podle přesně určeného časového plánu bez ohledu na skutečný stav. Preventivní údržba je efektivnější než reaktivní, používá se proto u dražších zařízení nebo zařízení s vyšším rizikem nebezpečných havárií. I tak ale může způsobit, že k nápravě dojde příliš brzy nebo naopak příliš pozdě a v obou případech jsou výsledkem ztráty a růst nákladů.

Naproti tomu prediktivní diagnostika umožňuje servisní zásahy optimalizovat. Je proto nepostradatelná zejména u drahých a složitých systémů nebo tam, kde hrozí velké riziko havárií s rozsáhlými důsledky (například ekologické katastrofy). Údržba už neprobíhá v pravidelných časových intervalech, ale v okamžiku, kdy si to stav stroje nebo systému skutečně vyžaduje. Z toho vyplývá nutnost jeho stav průběžně sledovat a v každém okamžiku znát. Nezbytnou součástí je software proaktivní údržby pro zpracování získaných dat. Díky tomu je možné případný zásah předem naplánovat na dobu, kdy je to z provozního a ekonomického hlediska nejvýhodnější. Výsledkem je efektivní hospodaření s náhradními díly, vyšší bezpečnost a čistota provozu a především značné ekonomické úspory.

Vyšším stupněm prediktivní diagnostiky je proaktivní diagnostika (proactive maintenance nebo root cause maintenance), která se uplatňuje všude tam, kde by neplánovaný výpadek způsobil velké ztráty, například u velkovýrobních linek, v energetice či automatizovaných provozech. Vzhledem k ceně průmyslových robotů bude i součástí jejich výbavy. V podstatě jde o prediktivní diagnostiku rozšířenou o další zdroje dat a především o nástroje schopné provádět analýzu příčin, proč k nežádoucím stavům strojů nebo systémů dochází, a aktivní odstraňování těchto příčin. V praxi to znamená propojení výstupů diagnostických prvků s počítačovými systémy vybavenými prvky umělé inteligence. Nástup robotiky a internetu věcí (IoT) v průmyslu směřuje k tomu, že bude moci být proaktivní diagnostika propojená s robotickými systémy, které v pravý čas zasáhnou i bez účasti lidského prvku.

Budoucnost už začala

Prediktivní diagnostika vychází z toho, že dneska už téměř neexistuje složitější stroj nebo přístroj, který by nebyl ovládaný řídicí jednotkou s mikročipy a paměťovými prvky. Pro příklady nemusíme chodit daleko: automobily, v nichž takové řídicí jednotky kromě motoru ovládají a sledují i funkci brzd, převodovky a dalších prvků vozu. Každý autoservis hodný toho označení disponuje zařízením, díky němuž se může přes příslušný konektor nebo přes bezdrátové rozhraní na tuto jednotku napojit a načíst data z její paměti obsahující statistiku předchozího provozu včetně případných anomálií nebo závad. To sice ještě přímo prediktivní diagnostika není, protože nepředpovídá nástup problémů v budoucím čase. Případné riziko budoucích problémů z dat dokáže stanovit jen zkušený odborník. Stačí ale odborníka nahradit umělou inteligenci a systém prediktivní diagnostiky je na světě. Příklad automobilů názorně demonstruje, že předpoklady pro aplikace prediktivní diagnostiky už jsou díky všudypřítomným mikročipům a mikropočítačům běžně rozšířené.

Prediktivní diagnostika je také stále častějším prvkem výrobních linek automobilového průmyslu. Vyplývá to z jejich investiční náročnosti, a tedy i potřeby udržení nepřetržitého chodu. Dalšími průmyslovými odvětvími, kde nacházejí uplatnění, jsou – ze stejných důvodů – metalurgie, chemický průmysl, výroba elektroniky a plastů. Není náhodou, že současně jde i o odvětví s vysokým stupněm robotizace – například ve Spojených státech v nich pracuje více než 70 procent všech průmyslových robotů. Prediktivní diagnostika rychle proniká také do obtížně dostupných systémů, jako jsou mořské těžební plošiny, větrné turbíny a podobně. A samozřejmě – v duchu vize A. C. Clarka – je naprosto nepostradatelná ve vesmíru.

Jako příklad dnešního nasazení systémů prediktivní diagnostiky mohou posloužit třeba přesné, počítačem řízené obráběcí stroje (CNC), jejichž řádná funkce je bezprostředně závislá na bezchybném chodu, správné údržbě a dokonalém nastavení. Přitom se u těchto strojů přesnost mění v čase v důsledku opotřebení pohyblivých prvků, drobných kolizí, údržby bez dostatečného seřízení či případného přemisťování stroje.

Provozovatelé CNC strojů sice samozřejmě musí zhotovené obrobky podrobit důkladné výstupní kontrole, která nedostatky produktu odhalí, ale to neřeší problém vícenákladů a ztrát, pokud už k nepřesnosti došlo. Právě tady se tedy může uplatnit prediktivní diagnostika. Existuje přitom řada ukazatelů, které lze u stroje v průběhu jeho činnosti sledovat: simulace jeho provozu při současné kontrole případných odchylek, sledování vibrací, teploty jeho provozních částí, hluku, stavu mazacích kapalin a další ukazatele.

Užitečným zdrojem vstupních dat pro prediktivní diagnostiku je ultrazvuk, který vzniká při tření, proudění plynů a kapalin (například netěsnostmi nebo trhlinami v konstrukci) nebo při elektrických výbojích, a je tak doprovodným jevem řady nežádoucích procesů při chodu průmyslových zařízení. Umožňuje je detekovat už v počátečním stadiu, a předejít tak rozsáhlým škodám. Typickým příkladem použití ultrazvukových metod je kontrola tlakových rozvodů vzduchu, páry nebo technických plynů. Pomocí spektrální a frekvenční analýzy ultrazvuku se také zjišťuje stav valivých ložisek, zatímco ultrazvuk vznikající při elektrických výbojích pomáhá předejít škodám v rozvodné soustavě vysokého napětí.

Například společnost Mitsubishi Electric představila řešení Smart Condition Monitoring (SCM) pro potravinářský průmysl, který se skládá ze systému různých typů senzorů umožňujících hloubkovou analýzu stavu zařízení. Výrobce uvádí, že SCM umožňuje prediktivní údržbu linky celé měsíce před skutečným výpadkem.

Někdy přicházející problémy prozradí i obyčejný zvuk. Společnost Škoda Auto Digilab vyvinula aplikaci Sound Analyser pracující na principu neuronových sítí. Program nahraný zvuk auta převede do grafické podoby spektrogramu, porovná s uloženými hodnotami a odhalí odchylky. Na tomto základě pak sdělí potřebu další údržby nebo oprav vozu. Aplikaci je možné stáhnout do mobilu, kdy uživatel nebo automechanik nahraje zvuk vozu a odešle k analýze.

Škoda Auto využívá systémy strojového učení v prediktivní diagnostice také pro analýzu obrazu. Provozuje například systém Magic Eye k průběžné kontrole stavu závěsového dopravníku karoserií, na který jsou v třísměnném provozu kladeny vysoké nároky a přitom je pro běžnou kontrolu obtížně dostupný. Systém Magic Eye využívá několika kamer a pořízené obrazy porovnává s vlastní databází snímků. Dokáže tak včas rozpoznat první příznaky opotřebení nebo poškození prvků dopravníku. „Systém nám umožňuje nejen provádět diagnostiku na špatně přístupných místech v reálném čase, ale díky silné výpočetní technice a strojovému učení jsme schopní vady předvídat v horizontu týdnů,“ konstatují pracovníci Škody Auto.

Přes hranice vlastnických struktur

Nejčastějším zdrojem informací o stavu stroje nebo systému jsou analýzy vibrací, vzhledem ke snadnému odečítání, rozsáhlým možnostem analýzy vibračních charakteristik a z toho vyplývající informační hodnotě získaných dat. Zjištěné údaje pak lze integrovat do podnikového informačního systému nebo do počítačového systému řídícího provoz, přičemž jedním z jeho výstupů tak mohou být i pokyny pro budoucí servis strojů.

Existují dva typy přístrojů pro prediktivní diagnostiku a údržbu: mobilní a pevně instalované. Pomocí mobilních přístrojů je možné rychle kontrolovat stovky i více zařízení s relativně malými náklady, umožňují však zjišťovat jen několik málo veličin.

Naproti tomu zařízení trvale instalovaná v měřicím bodu stroje, výrobní linky nebo jiného systému mohou získávat informace jen z jednoho místa, pracují však průběžně a dokážou sledovat mnohem víc parametrů. A větší soubory dat lze podrobit pokročilejším analýzám. Je také možné propojit počítačové systémy z mnoha výrobních podniků (třeba i geograficky navzájem velmi vzdálených), vybavit je schopností strojového učení a tím vytvořit nesmírně účinný systém proaktivní diagnostiky disponující obrovským množstvím stále aktuálních dat a dalších podkladů pro správná rozhodnutí – nezbytnou součást Průmyslu 4.0.

Prediktivní a proaktivní údržba se postupně stávají samostatným odvětvím, kdy někteří výrobci jejích prvků nabízejí výrobcům strojů, výrobních linek a dalších systémů komplexní řešení od senzorů až po průběžné vyhodnocování získaných dat. Z hlediska účinnosti systémů proaktivní údržby v prostředí Průmyslu 4.0 by bylo nejvýhodnější propojení co největšího množství těchto systémů bez ohledu na vlastnictví podniků. To ale někdy naráží na nedůvěru majitelů firem, protože to znamená sdílet citlivé informace o svých výrobních kapacitách a dalších ukazatelích produkce. Nelze proto vyloučit, že průmyslový internet věcí, Průmysl 4.0, umělá inteligence a robotizace výroby se časem promítnou i do nových modelů vlastnictví výrobních kapacit.

Článek byl publikován ve speciální příloze HN Automatizace a digitalizace.