Edge vs Cloud a prediktív karbantartásban

A prediktív karbantartás (PdM) ma már nem pusztán technológiai kérdés, hanem üzleti döntés, amely közvetlen hatással van a rendelkezésre állásra, a munkaerőköltségekre, továbbá a termelés megbízhatóságára. Az üzem-, és karbantartási vezetők számára az egyik leggyakoribb és legösszetettebb kérdés az, hogy a prediktív karbantartási adatokat lokálisan (edge) vagy felhőben (cloud) célszerű-e kezelni.

A gyakorlat azt mutatja, hogy a sikeresen működő üzemek nem választanak kizárólag az egyik megoldás mellett. Mindkettőt alkalmazzák, egyértelműen meghatározott felelősségi körökkel.

Ez a cikk gyakorlati megközelítésben mutatja be a különbségeket, és azokra a szempontokra fókuszál, amelyek az üzemvezetés számára a legfontosabbak: rendelkezésre állás, kockázat, valamint megtérülés (ROI).

Miért kulcsfontosságú az edge feldolgozás az üzemi környezetben?

Az edge feldolgozás a gép közvetlen közelében, lokális szinten történik – intelligens szenzorokban, IO-Link masterekben, PLC-kben vagy ipari edge gateway eszközökben. Karbantartási és üzemeltetési szempontból az edge rendszerek nélkülözhetetlenek, mivel azonnali reakciót biztosítanak.

Amikor egy csapágy kezd túlmelegedni, vagy a rezgésszint meghaladja a biztonságos határértéket, nincs idő a felhőalapú elemzésre várni. Ilyen helyzetekben azonnali beavatkozás szükséges a berendezéskárosodás, a biztonsági kockázatok vagy akár a nem tervezett leállások megelőzése érdekében.

Az edge rendszerek feladatai:

• Valós idejű monitorozás és riasztások

• Azonnali gépvédelem és zárolási funkciók

• A nyers szenzoradatok feldolgozása értelmezhető állapotmutatókká

• A termelés fenntartása hálózati kapcsolat kiesése esetén is

Az üzemvezetők számára az alapelv egyszerű: minden olyan funkciót, ami leállíthatja a termelést vagy károsíthatja a berendezéseket, helyben kell kezelni.

Miért költséges hiba minden adatot a felhőbe küldeni?

Számos korai prediktív karbantartási projekt azért vall kudarcot, mert túl nagy mennyiségű adat kerül a felhőbe. A nagy mintavételi frekvenciájú rezgés-, hőmérséklet- vagy egyéb szenzoradatok gyorsan felemésztik a sávszélességet és a tárhelyet, miközben csekély többletértéket nyújtanak.

Az edge eszközök ezt a problémát úgy csökkentik, hogy helyben feldolgozzák az adatokat, és csak a releváns információkat – például trendeket, figyelmeztetéseket, státuszjeleket vagy állapotindexeket – továbbítják a magasabb szintű rendszerek felé.

Ez a megközelítés:

• Csökkenti az IT- és hálózati költségeket

• Növeli a rendszer megbízhatóságát

• Jobban értelmezhető karbantartási riasztásokat biztosít

• Egyszerűbb használatot tesz lehetővé

A karbantartási csapatok számára ez kevesebb téves riasztást és pontosabb információt jelent arról, hogy mi igényel valódi beavatkozást.

Hol teremt valódi értéket a felhő az üzemvezetés számára?

Míg az edge az egyes gépeket védi, a felhő teljes üzemi szintű átláthatóságot biztosít. Itt válik a rendszer stratégiai eszközzé az üzemvezetés számára.

A felhőplatformok különösen alkalmasak:

• Hosszú távú eszköztörténet és trendanalízis kezelésére

• Azonos típusú gépek összehasonlítására különböző gyártósorok vagy telephelyek között

• Ismétlődő meghibásodási minták azonosítására

• Adatalapú karbantartási tervezés támogatására

Több eszközt vagy telephelyet felügyelő vezetők számára a felhő segít választ adni az olyan kérdésekre mint:
Mely eszközök jelentenek tartós leállási kockázatot?
Tüneteket kezelünk, vagy a kiváltó okokat?
Mely területekre érdemes a következő évben a karbantartási költségvetést összpontosítani?

Gyakorlatban működő hibrid megközelítés

A legmegbízhatóbb prediktív karbantartási stratégiák hibrid architektúrát alkalmaznak.

Gép- és gyártósor szinten az edge rendszerek végzik a valós idejű monitorozást és védelmet. Üzem- és vállalati szinten pedig a felhő rendszerek biztosítják az elemzést, a riportolást, és az optimalizálást.

Az IO-Link-kompatibilis szenzorok ebben kulcsszerepet játszanak, mivel biztosítják:

• a szenzoradatok és diagnosztikai információk szabványosított elérését,

• a bináris (be/ki) jeleken túlmutató állapotadatokat,

• az egyszerű bővíthetőséget jelentős vezérlőrendszer-módosítás nélkül.

Ez lehetővé teszi, hogy az üzemek kis léptékben induljanak, majd fokozatosan skálázzák a prediktív karbantartási rendszereiket a termelés megzavarása nélkül.

Kik vegyenek részt a döntéshozatalban?

A prediktív karbantartás akkor működik sikeresen, ha a döntések közösen születnek.
A karbantartási vezetők meghatározzák a tipikus meghibásodási módokat és az „időben történő figyelmeztetés” jelentését.
Az üzemvezetők mérlegelik a kockázatot, a költségeket és az üzemeltetési hatásokat.
Az automatizálási szakemberek biztosítják a rendszerek megbízható integrációját.
Az IT-csapat gondoskodik a biztonságos és fenntartható adatkapcsolatról.
Ha egyetlen terület hoz önálló döntéseket, a PdM rendszer gyakran túlzottan komplexszé válik, vagy elszakad a valós üzemi igényektől.

Gyakori hibák, amelyeket érdemes elkerülni

• Felhőalapú rendszerekre támaszkodni valós idejű gépvédelem esetén

• A csapatokat nyers adatokkal túlterhelni egyértelmű, értelmezhető információk helyett

• A prediktív karbantartást kizárólag IT-projektként kezelni

• Figyelmen kívül hagyni a rendszerek működését hálózati kiesések esetén

Összegzés

Az üzem- és karbantartási vezetők számára az edge vs. cloud kérdés nem technológiai vita, hanem felelősségi kérdés.

Az edge rendszerek valós időben védik a berendezéseket, a munkavállalókat és a termelést.

A felhő rendszerek átláthatóságot, tanulási lehetőséget és hosszú távú fejlesztést biztosítanak.

Megfelelő alkalmazás esetén a prediktív karbantartás gyakorlati eszközzé válik, amely csökkenti az állásidőt, javítja a tervezhetőséget és mérhető üzleti értéket teremt.