Για τη λειτουργία των σύγχρονων βιομηχανικών εγκαταστάσεων, η προγνωστική συντήρηση αποτελεί βασικό εργαλείο, καθώς συμβάλλει στη μείωση του χρόνου αποκατάστασης των τυχόν απροσδόκητων βλαβών, την αύξηση της παραγωγικότητας και τη μείωση του χρόνου απασχόλησης των τεχνικών της συντήρησης.
Στόχος της προγνωστικής συντήρησης (predictive maintenance) είναι η πρόβλεψη των πιθανών μηχανικών βλαβών, μέσω της αξιοποίησης μεγάλου όγκου δεδομένων και της χρήσης αλγόριθμων μηχανικής μάθησης.
Σε μια βιομηχανική εγκατάσταση, η συντήρηση αποτελεί έναν από τους σημαντικότερους τομείς δραστηριοτήτων. Οι τεχνικοί της συντήρησης οφείλουν να πραγματοποιούν τακτικούς επιτόπιους ελέγχους και επεμβάσεις, προκειμένου να διασφαλίζεται η βέλτιστη λειτουργία όλων των μηχανημάτων. Αυτό αποτελεί αναγκαία προϋπόθεση για την αποδοτική και οικονομική λειτουργία μιας εγκατάστασης.
Η τακτική συντήρηση μειώνει την πιθανότητα να υπάρξει μη προγραμματισμένη διακοπή της παραγωγής, αν και, προφανώς, η πιθανότητα αυτή δεν είναι δυνατό ποτέ να εξαλειφθεί. Η μη προγραμματισμένη διακοπή της παραγωγής (downtime) διαταράσσει τη λειτουργία μιας εγκατάστασης, προκαλώντας προβλήματα σε ολόκληρη την εφοδιαστική αλυσίδα. Επομένως, η ελαχιστοποίηση της διάρκειας τέτοιων έκτακτων διακοπών αποτελεί βασικό στόχο σε οποιοδήποτε βιομηχανικό περιβάλλον. Ο στόχος αυτός γίνεται πιο εφικτός με τη χρήση προγνωστικής συντήρησης.

Προγνωστική συντήρηση
Ένα βήμα πέρα από την προληπτική συντήρηση, που βασίζεται στον περιοδικό έλεγχο ανάλογα με μια σειρά συγκεκριμένων κριτηρίων, όπως είναι η ηλικία ή ο χρόνος λειτουργίας ενός μηχανήματος, η προγνωστική συντήρηση αξιοποιεί έναν τεράστιο όγκο δεδομένων που αφορούν τη λειτουργία των μηχανημάτων για να προβλέψει πιθανές μηχανικές βλάβες. Η προγνωστική συντήρηση μπορεί επίσης να προσφέρει πληροφορίες σχετικά με τον τρόπο που θα εκδηλωθεί μια βλάβη. Οι πληροφορίες αυτές στη συνέχει είναι δυνατό να χρησιμοποιηθούν για την πραγματοποίηση ανάλυσης γενεσιουργών αιτίων (root cause analysis), έτσι ώστε να αναγνωριστεί το υποκείμενο πρόβλημα που ενδέχεται να προκαλέσει βλάβη.
Για τη λειτουργία των σύγχρονων βιομηχανικών εγκαταστάσεων, η προγνωστική συντήρηση αποτελεί βασικό εργαλείο, καθώς συμβάλλει στη μείωση του χρόνου αποκατάστασης των τυχόν απροσδόκητων βλαβών, την αύξηση της παραγωγικότητας, τη μείωση του χρόνου απασχόλησης των τεχνικών της συντήρησης, καθώς και τη μείωση του τηρούμενου αποθέματος ανταλλακτικών.

Μια ουσιαστική προϋπόθεση για την αποτελεσματικότητά της είναι η ύπαρξη μεγάλου όγκου ιστορικών δεδομένων αλλά και δεδομένων πραγματικού χρόνου για τη λειτουργία των διάφορων μηχανημάτων. Κατά τα προηγούμενα χρόνια, όταν οι υπολογιστές ξεκίνησαν να αντικαθιστούν τις παραδοσιακές χειροκίνητες λειτουργίες, η τακτική συλλογή και καταγραφή των δεδομένων λειτουργίας έγινε απαραίτητη. Για τους τεχνικούς της συντήρησης, η εργασία αυτή αποτελούσε σημαντικό και χρονοβόρο κομμάτι της δουλειάς. Τα πράγματα όμως άλλαξαν την εποχή της 4ης βιομηχανικής επανάστασης με τη χρήση των συσκευών ΙΙoΤ.

Βιομηχανικό Διαδίκτυο των Πραγμάτων και Αυτοματισμοί
Το βιομηχανικό διαδίκτυο των πραγμάτων (ΙΙoΤ) περιλαμβάνει αισθητήρες και επενεργητές που διαθέτουν συνδεσιμότητα με το διαδίκτυο. Έτσι γίνεται εφικτή η συλλογή και μεταφορά δεδομένων στις υποδομές cloud μέσω του διαδικτύου σε πραγματικό χρόνο, ενώ κάθε στιγμή καταγράφονται τα λειτουργικά χαρακτηριστικά των μηχανημάτων.
Αυτό αποτελεί τεράστια ενίσχυση στην προσπάθεια αυτοματοποίησης μιας εγκατάστασης. Τα δεδομένα πραγματικού χρόνου αξιοποιούνται από αυτοματοποιημένες ροές εργασίας και ένας κεντρικός υπολογιστής, που συνήθως λειτουργεί απομακρυσμένα και επικοινωνεί μέσω cloud, ελέγχει με αυτοματοποιημένο τρόπο τις διαδικασίες στην εγκατάσταση. Οι αλλαγές που απαιτούνται ανάλογα με τη λειτουργία των μηχανημάτων προγραμματίζονται αντίστοιχα βάσει αλγορίθμων. Το ΙΙoΤ παίζει καίριο ρόλο στη βελτίωση των αυτοματισμών μιας βιομηχανικής εγκατάστασης.

Ο ρόλος του IIoT στη συντήρηση
Η μαζική συλλογή δεδομένων που έγινε πλέον εφικτή χάρη στο ΙΙoΤ άνοιξε τον δρόμο και για τη χρήση της προγνωστικής συντήρησης. Τα διαθέσιμα ιστορικά δεδομένα αλλά και τα δεδομένα σε πραγματικό χρόνο από τα διάφορα μηχανήματα αξιοποιούνται για τον καθορισμό της πιθανότητας εμφάνισης, αλλά και των αιτίων μιας βλάβης. Δεδομένα από προηγούμενες μηχανικές βλάβες μπορούν επίσης να αξιοποιούνται ως επαλήθευση, παράλληλα με τους αλγόριθμους της προγνωστικής συντήρησης.
Η προγνωστική συντήρηση κάνει χρήση αλγορίθμων μηχανικής μάθησης. Η μη αυτοματοποιημένη ανάγνωση των δεδομένων δεν είναι δυνατό να μας παράσχει χρήσιμες πληροφορίες. Ο όγκος και μόνο των δεδομένων την καθιστά απαγορευτική. Αντίστοιχα, η επίλυση σύνθετων στατιστικών μοντέλων με στόχο την εκτίμηση προβλέψεων είναι εξίσου επίπονη εργασία. Επομένως, η χρήση σύγχρονων τεχνολογικών εργαλείων, όπως η μηχανική μάθηση και η βαθιά μάθηση καθίσταται αναγκαία.
Τα δεδομένα που συλλέγονται από μηχανήματα με τη βοήθεια αισθητήρων ΙΙoΤ μεταφέρονται με τη βοήθεια δικτύου σε ένα κεντρικό σημείο αποθήκευσης πρωτογενών δεδομένων, το λεγόμενο data lake. Τα δεδομένα μπορεί να είναι δομημένα – χωρίς ωστόσο αυτό να είναι απαραίτητο- καθώς είναι δυνατό να προέρχονται από διάφορα είδη αισθητήρων. Στη συνέχεια, τα δεδομένα φιλτράρονται και χρησιμοποιούνται για την εκπαίδευση μοντέλων μηχανικής μάθησης με στόχο τη διεξαγωγή προγνώσεων. Η κλίμακα και η ακρίβεια των προγνώσεων που προέρχονται από τη χρήση των δεδομένων που τροφοδοτούνται από συσκευές ΙΙoΤ είναι πραγματικά ασύγκριτη. Παρακάτω περιγράφονται οι τρόποι με τους οποίους το βιομηχανικό διαδίκτυο των πραγμάτων μετασχηματίζει ουσιαστικά την προγνωστική συντήρηση.

Αποφάσεις βάσει δεδομένων (data-driven decision making)
Πριν από τη χρήση του ΙΙoΤ και την προγνωστική συντήρηση, οι αποφάσεις των τεχνικών βασίζονταν κυρίως στην εμπειρία και το ένστικτό τους. Η αλήθεια είναι πως το ένστικτο των έμπειρων τεχνικών είναι πολύ συχνά σωστό. Πλέον όμως η πολύτιμη αυτή εμπειρία είναι δυνατό να ποσοτικοποιηθεί και να αξιοποιηθεί στο πλαίσιο της προσέγγισης βάσει δεδομένων που γίνεται εφικτή χάρη στους αισθητήρες ΙΙoΤ. Τα δεδομένα από τους αισθητήρες και τη στατιστική μοντελοποίηση της μηχανικής μάθησης οδηγούν στη λήψη τεκμηριωμένων και εμπεριστατωμένων αποφάσεων.

Βελτιστοποίηση
Όπως συμβαίνει με οποιαδήποτε πρόβλεψη, η προτεινόμενη ενέργεια στα πλαίσια της προγνωστικής συντήρησης δεν είναι πάντοτε η ιδανική. Οι προβλέψεις έχουν ένα βαθμό απόκλισης. Ωστόσο, με τη συνεχή τροφοδοσία δεδομένων πραγματικού χρόνου από τους αισθητήρες ΙΙoΤ, τα προγνωστικά μοντέλα βελτιώνονται. Η μηχανική μάθηση βασίζεται ακριβώς στην ιδέα ότι τα μοντέλα μπορούν να βελτιώνονται με τη βοήθεια περισσότερων και καλύτερων ποιοτικά δεδομένων, εξού και το όνομα «μάθηση». Η προγνωστική συντήρηση ωφελείται από αυτό. Τα δεδομένα που συλλέγονται από τους αισθητήρες ΙΙoΤ μπορούν να χρησιμοποιούνται για τη βελτιστοποίηση των προβλέψεων. Έτσι, σε βάθος χρόνου, βελτιώνεται η ακρίβεια των προβλέψεων και επομένως η αξιοπιστία της προγνωστικής συντήρησης.

Απόδοση επένδυσης
Κάθε εμπορικό έργο υπόκειται σε εξονυχιστική επιχειρησιακή ανάλυση, προκειμένου να διαπιστωθεί η βιωσιμότητά του. Αντίστοιχα λοιπόν, η εφαρμογή της προγνωστικής συντήρησης πρέπει να έχει απόδοση που δικαιολογεί την απαιτούμενη επένδυση κεφαλαίου. Το ΙΙoΤ και τα συλλεγόμενα δεδομένα καθιστούν τα μοντέλα προγνωστικής συντήρησης ακριβή και αξιόπιστα, και επομένως συμβάλλουν πρακτικά στη μείωση του χαμένου χρόνου λόγω έκτακτων διακοπών στην παραγωγή, καθώς και στην ελαχιστοποίηση των συνακόλουθων προβλημάτων στην εφοδιαστική αλυσίδα. Έτσι διασφαλίζεται ότι τα μηχανήματα παραμένουν παραγωγικά και λειτουργούν αποτελεσματικά σε συνεχή βάση. Το γεγονός αυτό από μόνο του συνήθως καλύπτει το κόστος της επένδυσης στο σύστημα ΙΙoΤ, παρέχοντας γρήγορη και εύκολα μετρούμενη απόδοση.

Αυτοματοποίηση συναγερμών
Η ύπαρξη ενός συστήματος έγκαιρης προειδοποίησης είναι ιδιαίτερα χρήσιμη για τη λειτουργία μιας βιομηχανικής εγκατάστασης. Οι προειδοποιήσεις δεν αφορούν κατ’ ανάγκη μια μηχανική βλάβη ή κάποιο άλλο καταστροφικό γεγονός. Μπορεί να σχετίζονται με μικρότερης σημασίας περιστατικά, τα οποία απαιτούν την προσοχή των υπεύθυνων της εγκατάστασης. Η συνεχής συλλογή δεδομένων από τις συσκευές ΙΙoΤ βοηθάει στη δημιουργία αυτοματοποιημένων συναγερμών που σχετίζονται με διάφορα σενάρια λειτουργίας. Οι συνθήκες στις οποίες ενεργοποιείται κάθε συναγερμός μπορούν να προγραμματίζονται με τη χρήση αλγορίθμων. Οι αυτοματοποιημένοι συναγερμοί ενεργοποιούνται όταν πληρούνται αυτές οι συνθήκες.
Η εφαρμογή συστημάτων ΙΙoΤ δεν σημαίνει ότι το σύστημα μπορεί σε κάθε περίπτωση να αλλάζει τις παραμέτρους λειτουργίας του με στόχο τη βελτιστοποίηση. Πολλές εταιρείες θα επιλέξουν την παράλληλη χρήση χειροκίνητων προσαρμογών. Ωστόσο, οι αυτοματοποιημένοι συναγερμοί μπορούν να παρέχουν συστάσεις σχετικά με την πιθανή βελτιστοποίηση. Εάν και εφόσον κρίνεται αναγκαίο, οι συστάσεις αυτές μπορούν εν συνεχεία να εφαρμόζονται χειροκίνητα.

Αποκατάσταση προβλημάτων
Προφανώς δεν επαρκεί η πρόβλεψη μιας μηχανικής βλάβης. Οι τεχνικοί της συντήρησης πρέπει επίσης να είναι σε θέση να αναλαμβάνουν και προληπτική δράση. Η αναλυτική εξέταση ενός μηχανήματος είναι σίγουρα χρονοβόρα υπόθεση. Η προγνωστική συντήρηση με δεδομένα ΙΙoΤ όχι μόνο μπορεί να προβλέψει τις πιθανές βλάβες, αλλά και να εντοπίσει επακριβώς, ή να αποκλείσει, τα αίτια μιας πιθανής βλάβης. Έτσι απλοποιείται σημαντικά η διαδικασία της διερεύνησης κάθε πιθανής βλάβης και οι αναγκαίες ενέργειες αποκατάστασης εκτελούνται πολύ πιο γρήγορα. Η προγνωστική συντήρηση προσφέρει εξάλλου σημαντική υποβοήθηση στους τεχνικούς συντήρησης κατά τη διενέργεια ανάλυσης γενεσιουργών αιτιών (root cause analysis).

Οι τεχνολογικές τάσεις που διαμορφώνουν ήδη το μέλλον
Οι εταιρείες που έχουν τη διάθεση και τα επενδυτικά κεφάλαια, προχωρούν πλέον αποφασιστικά στις απαραίτητες ενέργειες αναβάθμισης. Ήδη, τα τελευταία χρόνια, η Τεχνολογία Πληροφοριών (IT) και η Λειτουργική Τεχνολογία (ΟΤ) έχουν διαμορφώσει εκ νέου τις βιομηχανικές διαδικασίες. Οι συγκεκριμένες προτάσεις μετατρέπουν τους βιομηχανικούς οργανισμούς σε αυτόνομες ψηφιακές επιχειρήσεις, που είναι σε θέση να βασίζονται στην αξιόπιστη ανταλλαγή δεδομένων και πληροφοριών σε όλα τα επίπεδα της λειτουργικότητάς τους. Επίσης, με την έλευση της Βιομηχανίας 4.0, οι εταιρείες παρακολουθούν σε πραγματικό χρόνο το σύνολο των εξελίξεων που τους αφορούν, διασφαλίζοντας μία πιο ευκρινή εικόνα των επιμέρους λειτουργιών τους και μετατρέποντας τις μονάδες παραγωγής τους σε ολοκληρωμένα «έξυπνα» εργοστάσια.
Ας δούμε τις επικρατέστερες και πιο αποτελεσματικές λύσεις που έχουν προκύψει στο σχετικά πρόσφατο παρελθόν.

Η εξάπλωση της Εικονικής Πραγματικότητας
Η ανάγκη διατήρησης κοινωνικών αποστάσεων λόγω της πανδημίας, καθώς και η έμφαση στην ασφάλεια των εργαζομένων, αναμένονται να αποτελούν σταθερές για αρκετά μεγάλο διάστημα ακόμα. Για τη βελτίωση της επικοινωνίας και της αποδοτικότητας, η Τεχνολογία της Εικονικής Πραγματικότητας αναμένεται να διαδοθεί ακόμα περισσότερο, τόσο στη διάγνωση όσο και στην αντιμετώπιση των υλικοτεχνικών προβλημάτων. Η χρήση αισθητήρων, της Τεχνητής Νοημοσύνης (AI) και των συγγενικών τους τεχνολογιών, θα επιτρέπουν στο ανθρώπινο δυναμικό να φέρει εις πέρας εργασίες συντήρησης μεγάλης ακριβείας, σε πραγματικό χρόνο και χωρίς την απαραίτητη παρουσία του στις εργοστασιακές μονάδες.

Το 3D Printing
Ο πρωταρχικός στόχος της συντήρησης είναι να διασφαλίζεται ότι όλα τα εργαλεία και ο εξοπλισμός λειτουργούν σταθερά αποδίδοντας τα μέγιστα. Οι εταιρείες συχνά καταφεύγουν στη λεγόμενη προσθετική κατασκευή, δηλαδή το 3D printing, που αποκτά όλο και μεγαλύτερη απήχηση τόσο στα βιομηχανικά όσο και στα καταναλωτικά περιβάλλοντα. Η χρήση τρισδιάστατων εκτυπωτών βοηθάει στη δημιουργία εξειδικευμένων εξαρτημάτων ποικίλων χρήσεων. Επίσης, η παγκόσμια αγορά του 3D printing αναμένεται να επεκταθεί σταδιακά από την κατασκευή εξειδικευμένων εξοπλιστικών εργαλείων στη μαζική παραγωγή πρωτοτύπων εξαρτημάτων και αξεσουάρ προς πώληση, ελαχιστοποιώντας την ανθρώπινη παρέμβαση. Ως το 2030, οι πιο εξελιγμένες τεχνολογίες θα επιτρέψουν στις επιχειρήσεις να παράγουν μαζικά τα τελικά προϊόντα τους περιορίζοντας τα σφάλματα και τις χρονικές καθυστερήσεις στο ελάχιστο.

Η Συλλογή και Ανάλυση Δεδομένων
Οι βιομηχανικοί οργανισμοί επεκτείνουν διαρκώς τις βάσεις αποθήκευσης των δεδομένων τους, επιτρέποντας την ακριβέστερη δημιουργία προτύπων, την αποτελεσματική πρόβλεψη και την πρωτοποριακή χρήση και ανάλυση των συλλεχθέντων στοιχείων. Μεγάλο μέρος των δεδομένων προέρχονται από αισθητήρες, καθώς παραδίδονται στο σύστημα από συσκευές που ανιχνεύουν και ανταποκρίνονται σε εισερχόμενα μηνύματα από το ανθρώπινο δυναμικό. Τα ασύρματα δίκτυα αισθητήρων βοηθούν στην εποπτεία και τον έλεγχο των λειτουργικών συνθηκών σε διάφορα πεδία, όπως η θερμοκρασία, η πίεση, η ταχύτητα και η κατεύθυνση του ανέμου, η ένταση των δονήσεων του εξοπλισμού κ.ά. Οι επικεφαλής των οργανισμών καλούνται πλέον να σκέφτονται και να αποφασίζουν αψηφώντας τους κανόνες του παρελθόντος, καθώς προσπαθούν να εντοπίζουν εκείνες τις αλλαγές που θα φέρουν τα μεγαλύτερα δυνατά οφέλη. Με τη συλλογή και ανάλυση των δεδομένων, οι τεχνολογίες της προβλεπτικής συντήρησης βοηθούν μία επιχείρηση να αποτρέψει την εμφάνιση προβλημάτων προτού αυτά εκδηλωθούν, να εξοικονομήσει χρήματα και να παρατείνει αισθητά τη διάρκεια ζωής των πολύτιμων εξαρτημάτων της.

Η Συντήρηση εξ αποστάσεως (MaaS)
Το cloud computing (ή, αλλιώς, η νεφοϋπολογιστική) έχει εισχωρήσει σημαντικά σε κάθε βιομηχανικό τομέα. Αυτό επιβεβαιώνει ένα από τα πρωταρχικά αποφθέγματα που συνόδευαν την αρχική εμφάνιση του: «Το cloud είναι ο υπολογιστής». Η δυνατότητα συλλογής και διαχείρισης μεγάλων όγκων δεδομένων βελτιώνει τις δυνατότητες και τις υπηρεσίες της συντήρησης. Πρόκειται για υπηρεσίες που παρέχουν λεπτομερή στατιστικά στοιχεία και αναφορές σχετικά με τη λειτουργία του συνόλου των μηχανημάτων, ενώ προσφέρουν κρίσιμες πληροφορίες για τη συντήρηση του εξοπλισμού βάσει του πλαισίου των προσφερόμενων υπηρεσιών, όπως βίντεο, οδηγίες, απεικονίσεις Εικονικής Πραγματικότητας, καθώς και διαδραστική τεχνική υποστήριξη, διαμορφώνοντας συστήματα πληροφορικής με βάση τις δικές τους αναλύσεις.
Εν κατακλείδι, στόχος της προγνωστικής συντήρησης είναι η πρόβλεψη των πιθανών μηχανικών βλαβών μέσω της αξιοποίησης μεγάλου όγκου δεδομένων και τη χρήσης αλγόριθμων μηχανικής μάθησης. Το βιομηχανικό διαδίκτυο των πραγμάτων (ΙΙoΤ) υποστηρίζει την προγνωστική συντήρηση παρέχοντας δεδομένα σε πραγματικό χρόνο, από τα μηχανήματα προς την υποδομή cloud μέσω του διαδικτύου. Έτσι βελτιώνεται η ακρίβεια των προβλέψεων και αυξάνεται ο βαθμός απόδοσης της επένδυσης στον βιομηχανικό εξοπλισμό.
Τελικά, η προγνωστική συντήρηση αποδίδει καλύτερα σε εγκαταστάσεις όπου αξιοποιείται το βιομηχανικό διαδίκτυο των πραγμάτων και οι αντίστοιχες συσκευές με αισθητήρες ΙΙoΤ.