Bakım ve onarımda tahmin – nelere dikkat etmek gerekir?

Modern bir makine parkını yönetmek, üretim sürekliliğini etkilemeden önce arızaları öngören bir strateji gerektirir. Modern bakım, IoT sensörlerinden gelen verileri CMMS sistemlerine entegre eden tahmine dayalı analitiklere doğru evrilmektedir. Başarının anahtarı, somut, nicel analitiklere geçiş yapmaktır.

Yapay zekâ ile desteklenen bu sistemler, %95 gibi etkileyici bir doğruluk oranıyla arızaları tahmin edebiliyor . Bu yüksek hassasiyet seviyesi, uzmanları rutin denetimlerden kurtararak bakım departmanlarının teknolojik önceliklere odaklanmasını sağlıyor. Peki bu süreç tam olarak neyi içeriyor ve uygularken nelere dikkat etmelisiniz?

Sensör verileri ve regresyon modelleriyle erken arıza tespiti

Uygulama önceliği, beklenen değerlerden sapmaların sürekli analizi yoluyla anormalliklerin erken tespitidir . İstatistiksel veriler bu yöntemin etkinliğini açıkça doğrulamaktadır:

• Vana sızıntısı pompanın verimliliğini %30’dan fazla azaltabilir .
• Regresyon modelinin ve üç standart sapmaya (3 × RMSE) dayalı bir alarm eşiğinin kullanılması, makine durumunun doğru bir şekilde izlenmesine olanak tanır.

Yukarıdaki parametreler, tehditlerin ve anormalliklerin gerçek arıza meydana gelmeden üç ay öncesine kadar tespit edilmesini sağlar.

Sensör verileri, ana kompresörlerin çalışmasını nasıl korur?

IoT sensörleri kullanılarak , bakım departmanları ve CMMS sistemleri, oksijenasyon kompresörleri gibi kritik makinelerin performansı hakkında veri toplar. İncelenen kurulumda, toplam yedi kompresörden oluşan üç emici ünite bulunmaktadır. Bu cihazlar zamanın %30-50’si oranında dönüşümlü olarak çalışır ve sisteme sürekli veri akışı, arıza olasılığının sürekli olarak hesaplanmasına olanak tanır. Kritik alanlara odaklanma, etkili bakımın temelini oluşturur.

Doğru verilerin seçilmesi, tahmin modellerinin doğruluğunu nasıl artırır?

Tahmine dayalı bakımın, tüm projenin başarısını belirleyen önceliklere odaklanmayı sağlaması için, IoT sensörlerinden bakım departmanlarına ve CMMS sistemine iletilen ham verilerin titizlikle seçilmesi gerekmektedir. Olay olasılığını doğru bir şekilde hesaplamak için en uygun girdi özelliklerinin seçilmesi çok önemlidir. Uygun optimizasyon somut faydalar sağlar:

• Tahmin modelinin doğruluğunu yaklaşık %20 oranında artırmak ,
• Geriye doğru eleme ve genetik algoritmalar kullanılarak verimli analiz . Her iki yöntem de aynı sonuçları üretir ve benzer hesaplama süresi gerektirir. Tahmin hatasını en aza indirerek, süreç mümkün olduğunca verimli hale gelir.

CMMS sisteminin verileri merkezileştirme ve tahmin için temel oluşturmadaki rolü

Etkin tahmin ve doğru önceliklendirme, temelinde bir CMMS (Bilgisayar Destekli Bakım Yönetim Sistemi) bulunan güvenilir bir bilgi akışı gerektirir . DHL Express Avusturya’da QRmaint yazılımının uygulanması, böyle bir ortamın en iyi örneklerinden biridir. Kapsamlı bir parça envanteri ve makinelerin QR kod etiketlemesini içeren sistemin tamamlanması sadece üç hafta sürdü. Teknisyenlerin sezgisel arayüze hızlı adaptasyonu, temel konveyör ve sıralama sistemlerinin durumu hakkındaki veri akışını önemli ölçüde hızlandırdı. Bu bilgilerin tek bir araçta birleştirilmesi, günlük bakımı kolaylaştırır ve her şeyden önce, tahmine dayalı planlama ve envanter yönetimi için gerekli temeli oluşturur. Bu, gelişmiş lojistik süreçlerinin sürekliliğini garanti eden güvenilir bir temeldir.

Zorlu üretim süreçleri için temel oluşturan şeffaf bir CMMS sistemi.

Landqart AG gibi 150 yılı aşkın bir geçmişe sahip, son derece uzmanlaşmış şirketler, bakım konusunda asla taviz vermezler. Makinelerinin karmaşıklığı, güvenilir bir veri akışı gerektirir ve sezgisel bir CMMS sisteminin uygulanması anında sonuçları garanti eder:

• Cihazların ilk tanımlanması ve ilk siparişlerin verilmesi sadece birkaç saat sürdü.
• Ücretsiz raporlama hesapları ve basit bir mobil uygulama, her çalışanın anormallikleri hızlı bir şekilde bildirmesine olanak tanır.
• Raporlar, fotoğraflar ve videolarla zenginleştirilerek Bakım Departmanının müdahale süresini hızlandırıyor.

Bu kusursuz, tesis genelindeki olay kaydı, tutarlı bir veri tabanı oluşturur; bu veri tabanı olmadan öncelikleri doğru bir şekilde belirlemek, tahmine dayalı modelleri eğitmek ve kritik arızaları önlemek imkansız olurdu .

Makine parkı görselleştirme ve analizi, etkili tahminlemeyi nasıl destekler?

Tahmine dayalı bakıma geçiş, anlaşılması güç Excel tablolarından vazgeçmeyi gerektirir. BMW ve VW döküm üreticisi (Druckguss Westfalen GmbH) şirketinde bir CMMS sisteminin uygulanmasıyla gösterildiği gibi, bakım süreçlerinin optimizasyonu, somut verilere ve bunların açık bir şekilde sunulmasına dayanmalıdır:

• Makine parkının grafiksel görselleştirilmesi, kritik cihazların durumunun ve konumunun hızlı bir şekilde değerlendirilmesine olanak tanır.
• Ayrıntılı ve kolayca dışa aktarılabilen raporlar, doğru etkinlik tahminleri için gerekli olan geçmiş verileri sağlar.
• Optimize edilmiş depo, tahmine dayalı modellerに基づいて değiştirilecek parçaların her zaman el altında olmasını sağlar.

Bu şeffaf yapı, denetçiler tarafından takdir edilmekte, arıza sürelerini önemli ölçüde azaltmakta ve otonom bakım da dahil olmak üzere daha fazla geliştirme için ideal bir ortam yaratmaktadır .

Güvenilir verilerden güvenilir tahminlere

Öngörücü bakım, anormallikleri üç ay önceden tespit edebilen ve tahmin hatasını %20 oranında azaltabilen bir stratejidir . Ancak etkinliği, sağlanan bilginin kalitesine doğrudan bağlıdır.

DHL, Landqart ve Druckguss Westfalen gibi şirketlerdeki uygulamaların da gösterdiği gibi, en önemli adım, Excel tablolarını terk edip sezgisel bir CMMS (Bilgisayar Destekli Bakım Yönetim Sistemi) kullanmaya başlamaktır. Etkileşimli makine planları, optimize edilmiş envanter ve basit raporlama, personelin olayları sürekli olarak kaydetmesini teşvik ederek güvenilir bir bilgi tabanı oluşturur. Bu, tesislerin maliyetli, ani arıza sürelerini kontrollü, planlı bakıma dönüştürmesini sağlar.