Transkrypcja odcinka podcastu LUQAM. Odsłuchaj treść odcinka tutaj:

• Spreaker
• Spotify
• Apple Podcasts
• YouTube

Od prewencji do predykcji

Dzisiaj porozmawiamy o predykcyjnym i prewencyjnym utrzymaniu ruchu. Na początek – dla przypomnienia – jak można w kilku zdaniach opisać predykcyjne UR?

Z perspektywy praktyki przemysłowej utrzymanie ruchu najczęściej rozpatruje się w dwóch podstawowych kategoriach: jako utrzymanie korekcyjne oraz prewencyjne. W podejściu korekcyjnym dominują działania reaktywne – interweniujemy dopiero w momencie wystąpienia awarii, koncentrując się na jej szybkim usunięciu. Drugim aspektem tego podejścia są działania remontowe, realizowane z pewnym opóźnieniem, wynikające z postępującego zużycia komponentów.

Utrzymanie prewencyjne opiera się natomiast na planowaniu działań w czasie. W praktyce oznacza to realizację przeglądów technicznych w określonych interwałach – miesięcznych, kwartalnych czy rocznych – zgodnie z przyjętym harmonogramem. Jest to podejście powszechnie stosowane, choć nadal zdarzają się organizacje, w których nawet podstawowe harmonogramy nie funkcjonują. W większości firm jednak takie plany istnieją i stanowią punkt wyjścia do dalszego doskonalenia.

Priorytety produkcyjne vs. prewencja

Czyli można powiedzieć, że coraz więcej firm posiada już uporządkowane podejście do prewencji?

Tak, świadomość organizacji wyraźnie rośnie, głównie pod wpływem presji rynkowej. Brak standardów w utrzymaniu ruchu przekłada się bezpośrednio na wyższe koszty operacyjne oraz problemy z terminowością dostaw, co w konsekwencji stanowi zagrożenie dla relacji z klientami.

Jednocześnie samo posiadanie harmonogramu nie oznacza jeszcze skutecznej prewencji. Kluczowym wyzwaniem pozostaje konsekwentna realizacja zaplanowanych przeglądów.

Jak wygląda to w praktyce?

W większości przypadków przeglądy nie są wykonywane zgodnie z planem. Dokumentacja jest prowadzona, harmonogramy istnieją, a zapisy formalnie się zgadzają, natomiast rzeczywistość operacyjna często odbiega od założeń. Innymi słowy – system funkcjonuje na papierze, ale niekoniecznie w działaniu.

Przyczyny tego stanu są złożone, jednak można wskazać kilka dominujących czynników.

Skąd wynika ten rozdźwięk między planem a realizacją?

Najczęściej jest to efekt niewłaściwego ustawienia priorytetów w organizacji. Prewencja nie jest traktowana jako fundament stabilności operacyjnej, lecz jako działanie drugoplanowe. W praktyce oznacza to, że nadrzędnym celem staje się realizacja planu produkcji, a przeglądy wykonuje się jedynie wtedy, gdy pojawi się na to przestrzeń.

Tymczasem skuteczne utrzymanie ruchu wymaga odwrotnej logiki – to właśnie prewencja powinna wyznaczać ramy dla planowania produkcji. Ograniczanie działań przeglądowych wyłącznie do okresów niższego obciążenia, takich jak przestoje sezonowe, jest niewystarczające, ponieważ maszyny wymagają ciągłej kontroli również pomiędzy tymi okresami.

Czyli problem dotyczy nie tylko podejścia, ale również zasobów?

Zdecydowanie tak. W wielu organizacjach występują ograniczenia w zakresie liczby pracowników utrzymania ruchu, ich kompetencji oraz dostępnego czasu. Dodatkowo często brakuje pełnego zrozumienia skali zaangażowania, jakiego wymagają bardziej zaawansowane koncepcje, takie jak TPM.

W efekcie organizacje deklarują chęć wdrażania nowoczesnych rozwiązań, ale nie są do tego przygotowane ani pod względem zasobów, ani struktury organizacyjnej.

Czy w takim razie rozwiązaniem może być wdrożenie systemu informatycznego, typu CMMS?

Systemy klasy CMMS stanowią istotne wsparcie dla działów utrzymania ruchu, jednak nie mogą być traktowane jako rozwiązanie problemu samo w sobie. Częstym błędem jest założenie, że wdrożenie systemu automatycznie uporządkuje procesy prewencyjne.

W rzeczywistości skuteczność systemu zależy od fundamentów organizacyjnych – odpowiedniej struktury, kompetencji zespołu oraz jasno zdefiniowanych procedur. Dopiero na tej bazie narzędzia informatyczne mogą realnie zwiększać efektywność działań.

Predykcyjne utrzymanie ruchu jako rozwinięcie prewencji

Przejdźmy do predykcyjnego utrzymania ruchu. Czym różni się ono od klasycznej prewencji?

Predykcyjne utrzymanie ruchu nie stanowi odrębnego podejścia, lecz jest naturalnym rozwinięciem prewencji. W ramach utrzymania prewencyjnego można wyróżnić dwa główne nurty: działania oparte na harmonogramach (time-based maintenance) oraz działania oparte na rzeczywistym stanie maszyn (condition-based maintenance).

To właśnie drugi z tych obszarów stanowi fundament podejścia predykcyjnego. W praktyce oznacza to przejście od sztywnego planowania przeglądów do podejmowania decyzji serwisowych w oparciu o aktualną kondycję urządzeń. Predykcja idzie o krok dalej – wykorzystuje dane oraz narzędzia analityczne do przewidywania momentu wystąpienia potencjalnych awarii.

Diagnostyka i technologie wspierające predykcję

Jak wygląda to od strony operacyjnej?

W tradycyjnym podejściu pracownicy utrzymania ruchu realizują kontrole w ramach tzw. marszrut, oceniając stan maszyn wizualnie lub poprzez częściowy demontaż komponentów. Podejście predykcyjne rozszerza ten model o zaawansowane narzędzia diagnostyczne, które umożliwiają ocenę stanu technicznego bez konieczności zatrzymywania urządzeń.

Do najczęściej stosowanych metod należą analiza drgań, pomiary ultradźwiękowe, termowizja oraz analiza oleju. Pozwalają one identyfikować symptomy zużycia lub nieprawidłowości na wczesnym etapie, zanim dojdzie do awarii.

Czyli kolejnym krokiem jest automatyzacja tych działań?

Dokładnie tak. W modelu tradycyjnym skuteczność diagnostyki zależy od regularności i jakości pracy człowieka – to pracownik musi wykonać pomiar, zinterpretować wyniki i podjąć decyzję. W praktyce oznacza to istotne obciążenie czasowe oraz ryzyko pominięcia kluczowych sygnałów.

Dlatego coraz częściej stosuje się rozwiązania oparte na stałym monitoringu, w których czujniki zainstalowane na maszynach w sposób ciągły zbierają dane o ich pracy. Eliminujemy w ten sposób zależność od czynnika ludzkiego i uzyskujemy dostęp do informacji w czasie rzeczywistym.

Czy to oznacza konieczność budowy nowych kompetencji w organizacji?

W pewnym zakresie tak, choć nie należy tego przeceniać. Wdrożenie systemów predykcyjnych wymaga wsparcia specjalistów na etapie implementacji, natomiast późniejsze funkcjonowanie rozwiązania opiera się na przeszkolonych pracownikach wewnętrznych.

Nie ma potrzeby przekształcania działu utrzymania ruchu w zespół informatyków czy specjalistów AI. Kluczowe jest natomiast rozwijanie kompetencji związanych z interpretacją danych oraz rozumieniem procesów technologicznych.

Korzyści i rola predictive maintenance

Jakie są najważniejsze efekty wdrożenia takiego podejścia?

Podstawową korzyścią jest realne wdrożenie prewencji w praktyce. Dzięki automatyzacji i ciągłemu monitoringowi działania utrzymania ruchu przestają być uzależnione od dostępności czasu czy zasobów, a zaczynają funkcjonować w sposób systemowy.

W dłuższej perspektywie przekłada się to na wzrost efektywności operacyjnej, poprawę terminowości realizacji zamówień oraz zwiększenie satysfakcji klientów. Jednocześnie obserwujemy redukcję kosztów, wynikającą z ograniczenia awarii oraz lepszego planowania działań serwisowych.

Warto jednak podkreślić, że jest to proces rozwojowy. Efekty nie pojawiają się natychmiast – zarówno organizacja, jak i systemy muszą „nauczyć się” nowego sposobu funkcjonowania. Dopiero konsekwentne rozwijanie tego podejścia prowadzi do trwałej poprawy wyników.

Tak rozumiana optymalizacja nie polega na prostym cięciu kosztów, lecz na budowaniu efektywności poprzez lepsze wykorzystanie danych, technologii i kompetencji organizacji.

Czyli finalnie wpływa to również na realizację planu produkcji?

Zdecydowanie tak. Stabilne i przewidywalne funkcjonowanie maszyn ułatwia planowanie produkcji oraz ogranicza ryzyko nieplanowanych przestojów. W efekcie organizacja jest w stanie realizować założenia produkcyjne w sposób bardziej kontrolowany i powtarzalny, co stanowi kluczową przewagę konkurencyjną.

Oczywiście, jeżeli plan zostaje zrealizowany, w naturalny sposób ponosimy koszty operacyjne. Natomiast w sytuacji, gdy nie realizujemy planów na czas i brakuje terminowości, pojawia się konieczność nadrabiania zaległości – co oznacza nadgodziny, dodatkowe obciążenie zespołu i dalszy wzrost kosztów. Do tej pory patrzyliśmy głównie przez pryzmat efektywności, kosztów i klienta, ale warto spojrzeć jeszcze szerzej – na ludzi, którzy w tej organizacji pracują.

Szczególnie istotni są operatorzy obsługujący maszyny. Trudno oczekiwać, że ktokolwiek będzie chciał pracować na urządzeniu, które jest awaryjne, niestabilne i wymaga ciągłych interwencji, regulacji czy poprawek. Taka praca jest frustrująca i obniża morale. W naturalny sposób przekłada się to na zaangażowanie i jakość wykonywanych obowiązków.

Pojawia się tu też istotny problem zarządczy. Jeżeli pracownik pracuje na maszynie, która nie jest w pełni sprawna i często się psuje, a my oczekujemy od niego, że będzie ją stale „doregulowywał” i kompensował jej niedoskonałości, to mamy do czynienia z błędnym podejściem systemowym. W wyjątkowej, incydentalnej sytuacji można poprosić operatora o większą uwagę i dokładniejszą obserwację procesu, jednak nie może to stać się standardem działania. Produkcja nie powinna być odpowiedzialna za kompensowanie niesprawności technicznej.

Właściwe podejście zakłada zatrzymanie maszyny, wykonanie działań prewencyjnych i przywrócenie jej do właściwego stanu technicznego. To fundament stabilnego i odpowiedzialnego zarządzania produkcją.

Warto zwrócić uwagę na jeszcze jeden aspekt. Istnieją branże, w których wykonywanie standardowych przeglądów prewencyjnych jest bardzo utrudnione ze względu na koszty zatrzymania instalacji. Przykładem może być produkcja szkła czy procesy oparte o piece przemysłowe, gdzie wygaszenie instalacji generuje ogromne straty – często liczone w milionach.

W takich przypadkach nie stosuje się klasycznego podejścia polegającego na cyklicznych postojach, np. co miesiąc. Zamiast tego funkcjonuje strategia „od remontu do remontu”. Natomiast właśnie w takich środowiskach ogromny potencjał mają rozwiązania oparte o czujniki, analizę danych i modele predykcyjne. Pozwalają one identyfikować symptomy zagrożeń pomiędzy planowanymi remontami.

Co istotne, mówimy tutaj nie tylko o ryzyku spadku efektywności czy jakości, ale również o sytuacjach potencjalnie zagrażających bezpieczeństwu pracowników przebywających w otoczeniu instalacji.

Rodzaje czujników i ich zastosowanie

Powiedzmy więcej o czujnikach – jakie rozwiązania spotykasz najczęściej?

Najczęściej są to podstawowe typy czujników: wibracji, ciśnienia i temperatury. To absolutna baza. W bardziej zaawansowanych przypadkach spotkałem się również z kamerami termowizyjnymi montowanymi na stałe w krytycznych punktach procesu, które dostarczają ciągły strumień danych.

Trudno jednoznacznie określić kierunek rozwoju, ale można zakładać, że pojawią się kolejne technologie i możliwości rozszerzające zakres monitorowania.

Najprostszym przykładem jest andon – informacja, czy maszyna pracuje.

Dokładnie. To najbardziej podstawowy poziom. Natomiast wcześniej mówiłem już o rozwiązaniach z wyższej warstwy zaawansowania.

Pojawiają się też czujniki sieciowe, które przesyłają dane w czasie rzeczywistym i mogą generować alarmy.

Tak. Dzisiejsze czujniki nie tylko zbierają dane, ale również je transmitują – do systemów analitycznych, baz danych typu Big Data, a także bezpośrednio na urządzenia mobilne, takie jak telefony czy smartwatche. Dzięki temu możliwe jest natychmiastowe reagowanie na przekroczenie ustalonych progów.

Jeżeli spróbujemy to uporządkować, możemy wyróżnić kilka poziomów. Pierwszy to czujniki instalowane przez producenta maszyny – np. andony sygnalizujące stan: praca, postój, regulacja.

Kolejny poziom to czujniki pokazujące stan operacyjny maszyny w czasie rzeczywistym. Kierownik produkcji może zobaczyć, czy maszyna pracuje, jest przezbrajana czy uległa awarii. Jeżeli do tego dołożymy raportowanie operatora – opisujące przyczynę zdarzenia – uzyskujemy znacznie pełniejszy obraz sytuacji.

Jeszcze wyższy poziom to dane procesowe: temperatura, ciśnienie, wibracje oraz inne parametry pracy maszyny. Do tego można dodać rejestrację parametrów samego procesu, co otwiera drogę do analiz jakościowych i procesowych, choć to już osobny, rozbudowany temat.

Możemy też rejestrować cykle pracy i takt maszyny.

Tak, i to bardzo ważne. W zależności od długości okresu zbierania danych budujemy coraz bogatszą bazę. Im dłuższa historia, tym większa wartość analityczna i lepsza jakość modeli predykcyjnych.

System zapisuje dane i szuka korelacji oraz anomalii, a następnie buduje predykcje.

Dokładnie. Analiza opiera się zarówno na danych z czujników, jak i informacjach od operatora. To podejście wieloźródłowe. Kluczowe jest jednak odpowiednie przygotowanie danych – ich oczyszczenie, selekcja i klasyfikacja. Dopiero na tak przygotowanym zbiorze można budować wiarygodne modele.

Algorytmy muszą też wiedzieć, które dane odrzucić.

Tak. Przykładowo: czujnik temperatury może zarejestrować nagły spadek, który w analizie surowej wygląda jak awaria. Jednak jeśli operator uruchomił dodatkowe chłodzenie, to jest to działanie celowe. Połączenie danych technicznych z kontekstem operacyjnym pozwala uniknąć błędnych wniosków.

Kroki wdrożenia – podejście PDCA

Jak wygląda proces wdrożenia?

Warto oprzeć się na podejściu PDCA. Pierwszym krokiem jest zdefiniowanie celu – co chcemy osiągnąć i dlaczego. Cel powinien być określony zgodnie z zasadą SMART: konkretny, mierzalny, ambitny, ale realistyczny i osadzony w czasie.

Bardzo ważne jest realistyczne podejście do harmonogramu. Wdrożenie nie następuje w ciągu miesiąca czy dwóch. Potrzebny jest czas na instalację czujników, zbieranie danych i budowę modeli. Próby narzucenia krótkich terminów często kończą się niepowodzeniem, szczególnie jeśli organizacja nie dysponuje dużym zespołem projektowym.

Kolejnym krokiem jest wybór obszaru pilotażowego. Nie wdrażamy rozwiązania od razu w całej firmie, ponieważ utrudnia to identyfikację problemów i ich korektę. Metodyka PDCA zakłada iteracyjne podejście.

Na początek jedna maszyna czy więcej?

To zależy od skali organizacji, liczby maszyn, dostępnych zasobów i możliwości operacyjnych. Może to być jedna maszyna, mogą być dwie – kluczowe jest, aby organizacja była w stanie ten proces obsłużyć.

A jaki określamy czas?

Minimum kilka miesięcy. Potrzebny jest czas na zebranie danych – im dłużej, tym lepiej dla jakości modelu.

Jaką maszynę wybrać na pilotaż?

Są różne podejścia. Można wybrać maszynę najbardziej problematyczną, najmniej problematyczną lub nową. Ja zazwyczaj odradzam wybór najbardziej krytycznych „wąskich gardeł”, ponieważ presja produkcyjna utrudnia spokojne wdrożenie i testowanie.

Lepszym rozwiązaniem jest wybór maszyny mniej obciążonej, która pozwala na spokojne przeprowadzenie pilotażu, zebranie danych i dopracowanie modelu.

Istotne są też możliwości pomiarowe.

Zgadza się. Warto wybrać maszynę, na której można zastosować różne typy czujników. Wdrożenie ograniczone do jednego parametru ma niewielką wartość poznawczą, biorąc pod uwagę nakład pracy i zasobów.

A co z integracją, np. z CMMS?

Integrację z CMMS traktowałbym jako końcowy etap. CMMS służy głównie do zarządzania harmonogramami i dokumentacją przeglądów. Najpierw należy zbudować działający system zbierania danych i wiarygodny model predykcyjny.

Warto też podkreślić, że rozwiązanie opracowane dla jednej maszyny niekoniecznie będzie działało na innych. Każda maszyna ma swoją specyfikę – podobnie jak urządzenia dopasowane do użytkownika. Można je przenieść, ale efektywność nie zawsze będzie taka sama.

Czyli nie działa to na zasadzie „kopiuj–wklej”.

Dokładnie. Każde wdrożenie wymaga indywidualnego podejścia – zarówno w zakresie doboru czujników, jak i konfiguracji modelu. Tylko wtedy system będzie działał skutecznie i przynosił realne korzyści.

Czujniki to jedno, ale każda maszyna może się inaczej „uczyć”. Nawet jeśli na jednej maszynie założymy czujniki ciśnienia, temperatury i wibracji, a na drugiej takie same, dane będą różne. Tworzona jest baza Big Data, a algorytmy uczące analizują zebrane informacje. W efekcie uczenie maszyny przebiega indywidualnie dla każdego urządzenia.

Te algorytmy cały czas się uczą, prawda?

Dokładnie. To przypomina proces uczenia się ludzi – ciągłe doskonalenie nigdy się nie kończy. System zainstalowany na maszynie będzie wciąż zbierał dane, analizował je i doskonalił swoje modele predykcyjne. Inteligencja w tym systemie nie ma końcowego punktu – rozwija się w sposób ciągły.

Praktyczny przykład wdrożenia

A czy możesz podać jakieś praktyczne przykłady w firmie, gdzie zastosowano predykcyjne utrzymanie ruchu i jakie były efekty?

Jeden z ciekawszych przypadków dotyczył linii mechanicznej, gdzie kluczowa prasa często ulegała uszkodzeniu tłocznika. Każde zatrzymanie tej prasy powodowało przestój całego procesu, a czasem nawet całego zakładu. Zdecydowaliśmy się na instalację nowoczesnych czujników monitorujących wibracje, siły nacisku i temperaturę tłocznika.

Dane były przesyłane w czasie rzeczywistym do centralnego systemu Big Data, gdzie algorytmy analizowały je i uczyły się wzorców pracy maszyny. Operatorzy również raportowali obserwacje, co zwiększało dokładność analizy. Algorytmy wykrywały wibracje wskazujące na potencjalną awarię i generowały alarmy dla zespołu utrzymania ruchu, sugerując przeprowadzenie inspekcji przed planowanym przeglądem.

Wymiana tłocznika przed awarią pozwala przeprowadzić ją w dogodnym momencie, zamiast reagować w nieprzewidywalnym czasie.

Dokładnie. Jeśli wiemy, że tłocznik dobiega kresu swojej żywotności, możemy przygotować nowy i wymienić go w sposób kontrolowany. Awaria natomiast wymaga demontażu, naprawy, a często wysłania elementu do zewnętrznego serwisu – co generuje ogromne koszty i przestój maszyny.

Ważne jest, aby przestoje mierzyć w kontekście pieniędzy, a nie czasu. Operator czy manager, wiedząc że godzina postoju kosztuje np. dwadzieścia tysięcy złotych, lepiej rozumie znaczenie predykcyjnego utrzymania ruchu. Wtedy inwestycja w czujniki i systemy analityczne jest relatywnie niewielka w porównaniu z kosztami przestojów w skali roku.

Jak szybko pojawiły się efekty po zainstalowaniu systemu?

Pierwsze wymierne efekty były widoczne po około trzech miesiącach – baza danych musiała się nasycić, żeby algorytmy mogły skutecznie zbudować model predykcyjny.

A o ile udało się ograniczyć przestoje związane z awaryjnością?

Około 37% w zależności od maszyny. Wdrożenie stopniowo rozszerzono na kolejne prasy, co przyniosło naprawdę spektakularne wyniki.

Widzisz jakieś minusy lub zagrożenia takiego systemu?

Największe wyzwania to czas i koszty instalacji czujników i systemów analitycznych. Dla osób, które nie mają pełnej świadomości kosztów przestojów, może to wydawać się problematyczne. Natomiast jeśli uwzględnimy całkowite koszty – maszyn, operatorów, pracowników utrzymania ruchu i części zamiennych – inwestycja staje się łatwa do zaakceptowania.

Trzeba też pamiętać o cyberbezpieczeństwie, bo dane są przesyłane i przetwarzane w systemach, które mogą być podatne na awarie lub ataki.

Dokładnie. We wdrożeniach systemów predykcyjnych powinni uczestniczyć specjaliści z działu IT, aby zapewnić odpowiednie zabezpieczenia i przygotować procedury awaryjne.

Wizja przyszłości predykcyjnego utrzymania ruchu

Jak widzisz przyszłość takich systemów za kilka czy kilkanaście lat? Maszyna sama będzie zamawiać części i planować przeglądy?

O tak, to już by było perfekcyjnie. Ale tak całkiem na poważnie, to idealnym celem jest tzw. koncepcja „trzy razy zero”: zero wypadków, zero defektów jakościowych i zero awarii. Dzięki wdrożeniu nowoczesnych technologii predykcyjnych można dążyć do takiego poziomu perfekcyjnej prewencji. Koszty staną się wtedy naturalnie niższe, ponieważ system minimalizuje awarie, zapewnia wysoką jakość i bezpieczeństwo.