مدیریت چرخه عمر تجهیزات (ELM) شامل کل سفر یک دارایی از طریق عملیات، تعمیر و نگهداری و دفع نهایی سازمان هایی است که یک رویکرد واکنشی را اتخاذ می کنند - تعمیر تجهیزات تنها پس از شکستن آن - اغلب با خرابی های غیرمنتظره، هزینه های تعمیر و نگهداری پر شده، و عمر کوتاه مدت دارایی استفاده می شود.

درک تجهیزات زندگی

هر قطعه از تجهیزات صنعتی از طریق مراحل متمایز عبور می کند.اقدامات مدیریتی که در هر مرحله انجام می شود به طور مستقیم بر هزینه کل مالکیت (TCO) تأثیر می گذارد.

  • درخواست: [FLT 1] انتخاب دارایی مناسب بر اساس الزامات عملکردی، هزینه اولیه و حفظ طولانی مدت.
  • حذف: نصب مناسب، کالیبراسیون و آزمایش اولیه برای ایجاد داده های عملکرد پایه.
  • عملیات: استفاده روزانه در پارامترهای طراحی شده، نظارت بر بهره وری و سایش.
  • سود: برنامه ریزی و یا فعالیت های مبتنی بر شرایط برای حفظ عملکرد و جلوگیری از شکست.
  • (فَلَّهُمْهُمْهُمْهُمْهُمْهُمْهُمْهُمِهُمِهُمِهُواً وَهُمْهُمِهُواًاًاًاًاًاًاًاًاًاًاًاًاًاًاًاً مِنَهُواًاًاً مِنْهُوا مِهُوا مِنْهُوا مِنَهُوا مِنْمْمْهُوا مِنْمْمْمْمْمْهُوا مِنْمْهُوَهُمَهُوا مِنَهُوا مِنْهُوا مِنْمْمْهُوا مِنَهُوا مِنَهُوا مِنَهُوَهُوَهُوَهُوَهُوَهُوَهُوَهُوَهُوَه

تصمیم گیری های مبتنی بر داده نتایج را در هر مرحله بهبود می بخشد، به عنوان مثال، انتخاب های خرید از تجزیه و تحلیل نرخ شکست های تاریخی مدل های مشابه بهره مند می شوند، جریان های سنسور می توانند قبل از تبدیل شدن به یک شکست، و در پایان عمر، داده های مربوط به ارزش باقی مانده کمک می کند تا تصمیم بگیرند که آیا به اصلاح یا جایگزینی.

منابع داده های اصلی برای مدیریت تجهیزات مدرن

برای ساخت یک پایه قوی داده، سازمان ها باید اطلاعات را از منابع متعدد بگیرند.هر کدام یک لنز متفاوتی را در مورد سلامت و عملکرد دارایی ارائه می دهند.

سنسور و داده های IoT

سنسورهای اینترنت اشیا (IoT) پارامترهایی مانند ارتعاشات، دما، فشار، جریان و جریان الکتریکی را اندازه گیری می کنند.داده های جریان مداوم نظارت بر شرایط را قادر می سازد، جایی که نگهداری توسط حالت تجهیزات واقعی به جای تقویم ثابت ایجاد می شود.

سوابق نگهداری و دستور کار

log های تاریخی تعمیرات، جایگزینی بخش، یادداشت های تکنسین و رویدادهای خرابی مجموعه ای غنی را تشکیل می دهند، زمانی که ساختار یافته و برچسب زده شده اند (به عنوان مثال، با تجهیزات ID، کد شکست و عمل اصلاحی)، این سوابق از تجزیه و تحلیل حالت شکست و مهندسی قابلیت اطمینان پشتیبانی می کند.

عملیات و تولید داده

برنامه های تولید، پروفایل بار، ساعت های اجرا و شمارش چرخه به طور مستقیم با استرس دارایی مرتبط است. ترکیب این داده ها با خواندن سنسور کمک می کند تا بین سایش های عادی و ناهنجاری های ناشی از اضافه بار یا سوء استفاده تمایز قائل شود.

زیست محیطی و داده های زمینه ای

عوامل خارجی مانند دمای محیط، رطوبت، سطح گرد و غبار و حتی الگوهای تغییر اپراتور می توانند بر تخریب تجهیزات تأثیر بگذارند. یکپارچه سازی آب و هوا و داده های وضعیت تسهیلات دقت مدل های پیش بینی را بهبود می بخشد.

ایجاد یک استراتژی ELM داده محور

جمع آوری داده ها به تنهایی کافی نیست.ارزش از تبدیل اطلاعات خام به بینش های عملی از طریق تجزیه و تحلیل، تجسم و چارچوب های تصمیم گیری است.

پیش بینی نگهدارنده

تعمیر و نگهداری پیش بینی (PdM) از مدل های آماری و الگوریتم های یادگیری ماشین برای پیش بینی احتمال شکست در یک پنجره زمانی معین استفاده می کند، بر خلاف تعمیر و نگهداری پیشگیرانه، که به دنبال یک برنامه ثابت و اغلب منابع زباله است، PdM تنها زمانی که نیاز به تعمیر و نگهداری است، از هشدارهای آستانه ساده (به عنوان مثال، دما بیش از 90 درجه سانتیگراد) برای تجزیه و تحلیل پیچیده و تحلیل و تحلیل های عصبی است.

نظارت بر شرایط

نظارت بر شرایط (CBM) بر داده های سنسور زمان واقعی برای ارزیابی سلامت تجهیزات متکی است. آلارم ها زمانی ایجاد می شوند که پارامترهای از آستانه های پیش تعریف شده عبور می کنند.این رویکرد به ویژه برای ماشین آلات چرخ دنده (موتورها، پمپ ها، کمپرسورها) و برای دارایی هایی که عواقب شکست بالا هستند، مانند سیستم های ایمنی بحرانی، بهترین عمل شامل هشدار و زنگ هشدار، با یک پروتکل افزایش پاسخ است.

تحلیل هزینه های چرخه عمر و بهینه سازی جایگزین

داده ها در مورد هزینه های تعمیر و نگهداری، فرکانس های شکست و تغذیه ارزش باقی مانده به مدل های چرخه عمر (LCC) محاسبه می کنند، این مدل ها نقطه بهینه را برای جایگزینی یک دارایی محاسبه می کنند – سن که در آن ادامه حفظ آن بسیار گران تر از دستیابی به یک مدل جدید می شود.سازمان های LCLT به طور معمول زندگی دارایی را تا 20 تا 30 درصد بدون افزایش خطر، یک چارچوب مفید (FLT0: مدل عمر) است که دستورالعمل های هزینه ای برای دولت و دولت فراهم می کند.

شاخص های عملکرد کلیدی برای ELM

برای پیگیری پیشرفت، سازمان ها باید KPI هایی را تعریف و اندازه گیری کنند که فعالیت های تعمیر و نگهداری را به نتایج کسب و کار متصل می کنند:

  • اثربخشی تجهیزات (OEE): دسترسی، عملکرد و کیفیت را ترکیب می کند.
  • [در این میان] [مشرکان]: [[۱]] زمان بین شکست ها [۳۵] [۳۵] [۱] [۱۰] [۱] [۱] [۱۰] [۱]
  • [در این باره]: [به هنگام انجام کار] زمان برای تعمیر (MTTR) اختصاص دهید [[۱] [۱۰]
  • هزینه های سود سهام برای هر دارایی: [FLT 1] هزینه مستقیم و غیر مستقیم توسط ارزش دارایی یا خروجی تولید عادی شده است.
  • [[۱] [۱۰] [۱] [۱۰] [۱] [۱] [۱]] [۱] [۱]] [۱] [۱]] [۱]] بهره وری تخصیص منابع را مشخص می کند.

داشبورد های مبتنی بر داده که این KPI ها را در زمان واقعی نمایش می دهند، مدیران را قادر می سازد تا روند را تشخیص دهند و در اوایل مداخله کنند.

تکنولوژی Stack برای Data-Driven ELM

پیاده سازی این استراتژی ها نیازمند یک پشته تکنولوژی به خوبی است، در حالی که مدیریت دارایی سازمانی (EAM) و سیستم های مدیریت تعمیر و نگهداری کامپیوتری (CMMS) مدت ها است که اصلی بوده اند، ELM مدرن نیز بر پلتفرم های تجزیه و تحلیل، دریاچه های داده و لایه های ادغام تکیه می کند.

ادغام داده ها و مرکزی سازی

داده های پراکنده از سنسورها، CMMS، ERP و پلتفرم های IoT باید به یک منبع واحد از حقیقت یکپارچه شوند.یک سیستم مدیریت محتوا بی سر و صدا یا دروازه داده های انعطاف پذیر می تواند به عنوان لایه ارکستری عمل کند، به فرمت های مختلف آسیب برساند و امکان پیوستن به زمان واقعی را فراهم کند.

پیشرفته Analytics و یادگیری ماشین

ابزارهای آماری مانند تجزیه و تحلیل رگرسیون، جنگل های تصادفی و مدل های یادگیری عمیق می توانند بر داده های شکست تاریخی آموزش داده شوند تا پیش بینی ها را ایجاد کنند. سرویس های مبتنی بر ابر (به عنوان مثال AWS IoT Analytics، Azure Machine Learning) مانع ورود به سیستم را کاهش می دهند.با این حال، موفقیت بستگی به کیفیت داده ها دارد -گارشی در، سازمان های زباله باید در تمیز کردن داده ها، برچسب گذاری، و حکومت سرمایه گذاری کنند.

دوقلوهای دیجیتال

یک دوقلو دیجیتال یک شبیه سازی مجازی از یک دارایی فیزیکی است که رفتار خود را در شرایط مختلف شبیه سازی می کند (با تغذیه داده های سنسور زمان واقعی به دوقلو، اپراتورهای می توانند سناریوهای "چه چیزی" را اجرا کنند - مانند افزایش بار یا تغییر فواصل تعمیر و نگهداری - بدون خطر کردن تجهیزات واقعی، دوقلوهای دیجیتال به ویژه برای دارایی های پیچیده، سرمایه بالا مانند توربین ها، موتورهای و خطوط تولید (Fie) به گفته می توانند تحقیقات ماشین آلات دیجیتال را کاهش دهند.

غلبه بر چالش های مشترک

انتقال به یک رویکرد مبتنی بر داده بدون موانع تشخیص این مراحل اولیه به سازمان ها کمک می کند تا انعطاف پذیری را در برنامه های ELM خود ایجاد کنند.

کیفیت داده ها و استاندارد

کنوانسیون های نامگذاری شرکت، زمان های از دست رفته و خطاهای ورود داده های دستی تجزیه و تحلیل را تضعیف می کند. بهترین شیوه ها شامل ضبط داده های خودکار، طرح های اجرا شده و حسابرسی های دوره ای است.یک سرمایه گذاری کوچک در مدیریت داده ها سودهای نمایی را در دقت مدل می پردازد.

مقاومت فرهنگی

تکنسین ها و مدیرانی که به نگهداری واکنشی عادت دارند ممکن است به توصیه های مبتنی بر الگوریتم اعتماد نکنند – از جمله آموزش، ارتباطات شفاف در مورد محدودیت های مدل و نشان دادن پیروزی های اولیه – ضروری است که تیم های توانمند سازی پیش بینی ها را نادیده بگیرند، زمانی که زمینه ای دارند، اعتماد به نفس ایجاد کنند.

ادغام پیچیدگی

اتصال PLC ها، دروازه های IoT مدرن و سیستم عامل های ابر اغلب نیاز به استفاده از یک پلت فرم اولیه API با یک طرح انعطاف پذیر زمان ادغام را کاهش می دهد. عاقلانه است که با یک کلاس دارایی یا محل به عنوان یک خلبان قبل از مقیاس گسترده کسب و کار شروع کنید.

مهارت های Gaps

مهارت های علوم داده در بخش های تعمیر و نگهداری کمیاب هستند.پی.پی.پی.ان مهندسان قابل اعتماد با تحلیلگران داده یا سرمایه گذاری در ابزارهای تجزیه و تحلیل کد بدون کد / کد پایین، می توانند شکاف را ایجاد کنند. بسیاری از فروشندگان نرم افزار در حال حاضر مدل های پیش بینی ساخته شده را ارائه می دهند که نیاز به تنظیم حداقل دارند.

نتیجه گیری

مدیریت چرخه عمر تجهیزات مبتنی بر داده دیگر اختیاری برای سازمان هایی که بر بهره وری عملیاتی رقابت می کنند نیست.با استفاده از سنسور، عملیات و داده های تاریخی، شرکت ها می توانند از آتش بازی واکنشی به بهینه سازی فعال تغییر دهند. پرداخت ملموس است: عمر دارایی بیشتر، هزینه نگهداری پایین، کاهش خرابی و برنامه ریزی سرمایه جامع - یک ایده آل در کیفیت داده ها، فن آوری یکپارچه و حداکثر بهبود فرهنگ - هر گونه دارایی های فیزیکی مداوم از استخراج دارایی های فیزیکی مداوم آن.