พื้นฐาน IoT : Predictive Maintenance คืออะไร?

คุณผู้อ่านคงคุ้นเคยดีกับ Preventive maintenance (การบำรุงรักษาเชิงป้องกัน) ซึ่งก็คือ การบำรุงรักษาเครื่องจักรตามระยะเวลา ซึ่งอาจจะเป็นข้อมูลจากทางฝั่งผู้ผลิตว่าเครื่องจักรนี้ควรทำการบำรุงรักษาด้วยความถี่บ่อยแค่ไหน อายุการใช้งานคาดหวัง อัตราการเสียทางทฤษฎี ที่อิงจากคำแนะนำของผู้ผลิต เพื่อทำการเปลี่ยนอะไหล่ก่อนที่เครื่องจักรจะเสียและหยุดทำงาน เหมือนกันกับรถยนต์ที่ต้องเข้าศูนย์บริการเพื่อเช็คสภาพตามระยะทาง 

ในปัจจุบันที่เรากำลังก้าวเข้าสู่ยุคอุตสาหกรรม 4.0 และ Internet of Things (IoT) เครื่องจักรต่างๆ ในโรงงานถูกเชื่อมต่อเข้ากับเครือข่ายอินเตอร์เน็ต ข้อมูลเครื่องจักรและกระบวนการถูกเฝ้าสังเกตการณ์และทำการวิเคราะห์ในเวลาจริง (Real Time) จึงนำมาสู่ Predictive maintenance (การบำรุงรักษาเชิงคาดการณ์) ซึ่งทำการวิเคราะห์ข้อมูลเวลาจริงและคาดการณ์เวลาที่ควรทำการบำรุงรักษาอย่างแม่นยำตามความจำเป็น (Need based) โดยดำเนินการบำรุงรักษาเชิงรุกก่อนเครื่องจักรจะเสีย จึงช่วยยืดระยะเวลาใช้งานของเครื่องมือเครื่องจักร ลดระยะเวลาหยุดเครื่อง ทำให้ใช้อายุเครื่องจักรได้ยาวนานขึ้น และมีผลิตภาพเพิ่มขึ้น ซึ่งหากเทียบกับ Preventive maintenance ซึ่งอาจเปลี่ยนเครื่องมือตามระยะเวลาที่กำหนด แต่เมื่อวิเคราะห์ดูข้อมูลเวลาจริง อาจจะยังไม่จำเป็นต้องเปลี่ยน เป็นต้น ผลลัพธ์คือ การประหยัดต้นทุนที่เหนือกว่า Preventive maintenance เพราะดำเนินการบำรุงรักษาต่อเมื่อจำเป็นเท่านั้น 

บทความนี้จะมาเล่าให้ฟังว่า Predictive Maintenance คืออะไร ทำงานอย่างไร ประโยชน์และตัวอย่างการใช้งานบางส่วนในปัจจุบัน

วัตถุประสงค์หลักของ predictive maintenance คือ การวางแผนบำรุงรักษาล่วงหน้าที่แม่นยำที่สุดเพื่อหลีกเลี่ยงเครื่องเสียโดยไม่คาดคิด การรู้ว่าเครื่องจักรเครื่องไหนโดยเฉพาะที่ต้องการการซ่อมบำรุง ทำให้ง่ายในการวางแผนทรัพยากรอย่างบุคลากรหรือชิ้นส่วนสำรอง ความพร้อมใช้งานของระบบเพิ่มขึ้น โดยเปลี่ยนจากการหยุดที่ไม่ได้วางแผนเอาไว้ เป็นการหยุดตามแผนหลายๆ ครั้ง ครั้งละสั้นๆ บ่อยครั้งกว่า รวมแล้วเสียเวลาน้อยกว่าการเสียครั้งใหญ่ ทั้งยังช่วยให้อายุการใช้งานของเครื่องจักรยาวนานขึ้น และความปลอดภัยเพิ่มขึ้นจากอุบัติเหตุที่มาพร้อมเครื่องเสียโดยไม่คาดคิดเกิดน้อยลง 

Predictive maintenance ทำงานอย่างไร?

การบำรุงรักษาเชิงคาดการณ์มีการตรวจสอบโรงงานทั้งแบบออฟไลน์เป็นระยะๆ และแบบออนไลน์ ดำเนินการระหว่างที่เครื่องจักรทำงานอยู่ โดยทำการประเมินสภาวะการทำงานของเครื่องจักร เก็บข้อมูลอย่าง แสงอินฟราเรด อะคูสติก (การปล่อยบางส่วนและอัลตร้าซาวด์) การวิเคราะห์การสั่นสะเทือน ระดับเสียง โดยการเก็บข้อมูลนั้นต้องไม่ทำให้การทำงานของเครื่องแย่ลงหรือเสียไป ข้อมูลที่ได้นำมาเชื่อมต่อกับข้อมูลสมรรถนะกระบวนการ โดยหากคุณต้องการทำการบำรุงรักษาแบบคาดการณ์อย่างมีประสิทธิผลและระยะยาว คุณควรทำตามสามขั้นตอนดังต่อไปนี้:

• 1) การเก็บข้อมูล การทำกระบวนการทำงานให้เป็นดิจิทัล และการส่งผ่านข้อมูล 
• 2) การจัดเก็บข้อมูล วิเคราะห์และประเมินข้อมูลที่เก็บรวบรวม 
• 3) การคำนวณความน่าจะเป็นของการเกิดของเหตุการณ์บางเหตุการณ์

การวิเคราะห์คาดการณ์และ Big Data

ความยากของ predictive maintenance อยู่ที่การประมวลผลข้อมูลปริมาณมหาศาล ข้อมูลที่จัดเก็บไม่เพียงแต่เฉพาะเครื่องจักรเท่านั้น แต่ยังรวมถึงค่าสภาพแวดล้อมต่างๆ  อย่างอุณหภูมิและความชื้น ข้อมูลเองก็มีรูปแบบที่หลากหลาย

ข้อมูลจะถูกจัดเก็บ ประมวลผลและวิเคราะห์โดยใช้อัลกอริธึมที่ชาญฉลาด เพื่อแจ้งสภาวะของเครื่องจักรและโรงงานได้อย่างถูกต้อง และตรวจพบความผิดปกติได้อย่างรวดเร็วที่สุดเท่าที่เป็นไปได้ 

ขนาดดาต้าเบสยิ่งใหญ่ อัลกอริธึมวิเคราะห์ยิ่งมีความชาญฉลาดและซับซ้อน คุณภาพและความเชื่อถือได้ของข้อมูลที่ได้รับยิ่งมากเท่านั้น เทคโนโลยีและฐานข้อมูลบิ๊กดาต้าอย่าง Edge computing มีความเหมาะสมสำหรับวัตถุประสงค์ของ Predictive maintenance

ถึงแม้การจัดการข้อมูลจะมีความยาก การอัปเดตและประมวลผลข้อมูลอย่างสม่ำเสมอก็มีความจำเป็น เพื่อสามารถระบุแนวโน้มและพัฒนาการที่เกิดขึ้นได้

ข้อดีโดยสังเขป ของ Predictive maintenance 

หากทำอย่างถูกต้องและมีประสิทธิภาพ มีข้อดีที่หลากหลาย ข้างล่างเป็นข้อดีที่มีความสำคัญที่สุดโดยสังเขป

• การปรับปรุงประสิทธิภาพ: ลดเวลาหยุดทำงานของโรงงานและเครื่องจักร และการบำรุงรักษาเป็นเครื่องจักรและระบบเป็นประจำยังสามารถยืดอายุการใช้งานได้ด้วย.
• เวลาในอุดมคติสำหรับทำการบำรุงรักษา: การประเมินข้อมูลที่ทำอย่างสม่ำเสมอ ทำให้สามารถช่วยระบุเวลาที่ดีที่สุดในการบำรุงรักษาครั้งถัดไป การบำรุงรักษายังสามารถผสานเข้าไปในกระบวนการผลิตได้อย่างเหมาะสม
• การปรับปรุงสมรรถนะเครื่องจักร: การวิเคราะห์อย่างสม่ำเสมอในข้อมูลที่รวบรวม ทำให้มีความเป็นไปได้ในการปรับปรุงสมรรถนะของเครื่องจักรและบรรลุถึงซึ่งผลิตภาพที่สูงขึ้นในระยะยาว

---

• การบำรุงรักษาหุ่นยนต์อุตสาหกรรมด้วย ระบบดิจิทัลผ่านแอปเดียวทำได้อย่างไร?
• ความช่วยเหลือแบบด่วน ส่งผลยั่งยืน กับการบำรุงรักษาทางไกล
• Machine tools พร้อมแล้วสำหรับแอปพลิเคชัน IIoT

---

ตัวอย่างการใช้งาน Predictive Maintenance

Predictive maintenance ปัจจุบันได้ถูกใช้แล้วในหลายด้าน ไม่เพียงแต่จะเป็นเครื่องมือที่ดึงดูดสำหรับอุตสาหกรรมการผลิตเท่านั้น แต่ยังสำหรับบริการเคลื่อนที่ต่างๆ ด้วย ไม่ว่าจะเป็นการบิน ยานยนต์ รถไฟ แม้กระทั่งโรงงานไฟฟ้าพลังงานลมซึ่ง เวลาหยุดของกังหันลมเกือบจะถูกกำจัดออกไปโดยสมบูรณ์ด้วย predictive maintenance

ยานยนต์มอเตอร์

เซ็นเซอร์ในเครื่องยนต์หรือตัวถังรถเก็บข้อมูลอย่างครอบคลุมกว้างขวาง เพื่อช่วยในการหลีกเลี่ยงการซ่อมแพงหรือเสียตั้งแต่เนิ่นๆ ตัวอย่างเช่น การสับเปลี่ยนชิ้นส่วนที่เสียหายระหว่างการเข้าศูนย์ครั้งหน้าก่อนที่มันจะเสียไปเลย ข้อมูลสามารถถูกส่งออนไลน์ไปที่ศูนย์ให้บริการหรือผู้ผลิตโดยอัตโนมัติ

อุตสาหกรรมการบินอวกาศ

เครื่องบินทำกำไรต่อเมื่อบิน หากเครื่องบินชำรุดจากความเสียหายเชิงกลจะเป็นต้นทุนที่สูง ดังนั้นพวกเขาจึงกระตือรือร้นที่จะค้นหาความเสียหายที่เป็นไปได้ล่วงหน้าเพื่อป้องกันเครื่องบินเสียหรือกระทั่งอุบัติเหตุ ด้านที่ใช้รวมถึง ใบพัดและปั๊มไฮดรอลิก แอร์บัสเปิดตัวแพลตฟอร์มข้อมูล “Skywise” ของบริษัทในปี 2017 ซึ่งวิศวกรเครื่องบินสามารถเข้าแทรกแซงแต่เนิ่นๆ เพื่อตรวจพบข้อผิดพลาดและเปลี่ยนส่วนประกอบก่อนเสียได้

การขนส่งทางราง

Predictive maintenance ทำให้สามารถวางแผนล่วงหน้าว่าเมื่อใดที่ชิ้นส่วนที่เสียหายของรถไฟจำเป็นต้องได้รับการซ่อมเพื่อป้องกันการหยุดชะงักของปฏิบัติการ ด้วยการวิเคราะห์ข้อมูล เพื่อเลือกซ่อม เตรียมชิ้นส่วนสำรองและให้เวลาหยุดรถไฟให้น้อยที่สุดเท่าที่จะเป็นไปได้ 

จากที่กล่าวมาข้างต้น คุณผู้อ่านจะเห็นความแตกต่างที่ชัดเจนว่า Predictive Maintainance ใช้ข้อมูลเครื่องจักรเวลาจริงมาวิเคราะห์ เพื่อให้การซ่อมบำรุงเครื่องจักรทำอย่างแม่นยำ ไม่เร็วและไม่ช้าจนเกินไป เพื่อให้ใช้เครื่องจักรได้อย่างเต็มศักยภาพที่สุดเท่าที่เป็นไปได้ แตกต่างจาก Preventive Maintenance ที่ไม่ได้ใช้ข้อมูลจริงจากเครื่องจักรเลย ใช้ข้อมูลค่าเฉลี่ยหรืออายุการใช้งานคาดหวังที่กำหนดไว้ล่วงหน้า ซึ่งอาจจะทำให้การใช้งานเครื่องจักรเปลี่ยนเร็วเกินไป ยังใช้ไม่เต็มศักยภาพ หรืออายุการใช้งานจริง

อ้างอิง : https://www.etmm-online.com/

About The Author