BMW je objavio kako radi na sprječavanju neplaniranih zastoja prije nego što do njih dođe u proizvodnji svojih vozila. To je cilj sustava pametne analize koji se koristi u montaži u tvornici BMW Group Regensburg, u Njemačkoj. Prediktivno održavanje je proaktivno i preventivno – a to je upravo ono što pametni sustav nadzora nudi. Analize transportne opreme temeljene na podacima omogućuju rano prepoznavanje i izbjegavanje potencijalnih grešaka – čime se održava optimalan tijek proizvodnje vozila. Sustav podržan umjetnom inteligencijom (AI) izbjegava prosječno oko 500 minuta prekida godišnje samo u tvornici u Regensburgu.

Analiza podataka za brži, preventivni odgovor na potencijalne poremećaje

Za montažu u tvornici u Regensburgu, vozila su općenito pričvršćena na mobilne nosače tereta ili klizne sustave, koji lančano prolaze kroz proizvodne hale. Bilo koja tehnička greška u najsuvremenijim transportnim sustavima može dovesti do zastoja montažnih linija – zahtijevajući više napora pri održavanju i time rezultirajući većim troškovima.

Kako bi spriječio da se to dogodi, tim za inovacije u tvornici razvio je sustav koji može rano identificirati potencijalne tehničke nedostatke – i tako izbjeći gubitak proizvodnje. Pogođeni elementi transportera mogu se ukloniti s proizvodne trake i popraviti izvan proizvodnje. Prednost je u tome što sustav nadzora ne zahtijeva nikakve dodatne senzore ili hardver, već procjenjuje postojeće podatke iz instaliranih komponenti i kontrole pokretnih elemenata. Alarm se oglašava ako se otkriju anomalije.

Na primjer, nosači tereta koji se koriste za prijevoz vozila kroz montažu šalju različite podatke sustavu upravljanja nosačima. Ovi se podaci zatim prenose putem sustava za kontrolu prijevoznika i postrojenja na vlastitu platformu u oblaku za prediktivno održavanje BMW Grupe. Ovdje počinje analiza: Algoritam stalno traži nepravilnosti, kao što su fluktuacije u potrošnji energije, abnormalnosti u pokretima transportera ili bar kodovi koji nisu dovoljno čitljivi, a koji bi mogli izazvati kvar. Ako se otkriju nepravilnosti, centar za kontrolu održavanja prima poruku upozorenja koju dodjeljuje dežurnom tehničaru održavanja. 'Nadzorni monitori u našem kontrolnom centru rade 24/7', objašnjava voditelj projekta Oliver Mrasek. 'To nam omogućuje da brzo odgovorimo na bilo kakvu prijavu kvara i izbacimo zahvaćeno vozilo iz ciklusa.'

Implementacija – podržana umjetnom inteligencijom, standardizirana i isplativa

Prediktivno održavanje nije samostalno rješenje, naglašava Mrasek. Sustav je standardiziran u suradnji sa središnjim upravljanjem tvornicama BMW Grupe i drugim tvornicama kako bi se omogućilo brzo i jednostavno uvođenje u druge tvornice BMW Grupe diljem svijeta. Ovaj pristup je također isplativ. 'Ne trebaju nam nikakvi dodatni senzori, tako da su jedini troškovi pohrana i računalna snaga.'

Modeli strojnog učenja razvijeni unutar tvrtke također su implementirani u sustav, koji koristi takozvane toplinske karte s različitim kodovima boja za različite abnormalnosti za vizualizaciju nalaza modela. 'To nam omogućuje mapiranje različitih obrazaca grešaka u različitim komponentama i ciljani odgovor na njih', objašnjava Mrasek.

Na temelju ovih praktičnih saznanja, algoritmi se kontinuirano poboljšavaju i usavršavaju. Tim je trenutno u procesu povezivanja dodatnih instalacija, optimizacije sustava i integriranja preporučenih radnji u poruke o kvarovima. Poruka o pogrešci može, na primjer, ukazivati na slične probleme koji su se pojavili u sustavu. To tehničarima za održavanje pojednostavljuje rješavanje problema - na primjer, ako je impeler na pokretnoj traci neispravan. 'Optimalno prediktivno održavanje ne samo da nam štedi novac, već također znači da možemo isporučiti planiranu količinu vozila na vrijeme - što štedi veliku količinu stresa u proizvodnji', objašnjava Deniz Ince, timski znanstvenik za podatke.

Sljedeći cilj: Predvidljivost – i dva patenta

Mrasek i njegovi kolege posljednjih su šest godina radili na praćenju tehnologije pokretnih traka na temelju podataka. Danas se oko 80 posto glavnih montažnih traka već nadzire na ovaj način. 'Naravno, ne možemo unaprijed otkriti ili spriječiti svaku pojedinačnu grešku - ali trenutno izbjegavamo najmanje 500 minuta zastoja godišnje samo u sklapanju vozila', objašnjava. Lako je izračunati koliki je to zbroj. U tvornici BMW Grupe u Regensburgu, jedno vozilo silazi s proizvodne trake otprilike svake minute – točnije svakih 57 sekundi – a sustav se već koristi u sustavima pokretnih traka u tvornicama u Dingolfingu, Leipzigu i Berlinu.

Cilj je dodatno iskoristiti mogućnosti umjetne inteligencije, pri čemu sustav uči procijeniti koliko vremena ostaje između otkrivanja kvara i potencijalnog zaustavljanja. To bi pomoglo tehničarima da odluče koliko brzo trebaju obaviti održavanje i omogućilo bi im da odrede prioritete, ako je potrebno. Mrasek također vidi daljnji potencijal u drugim područjima tvornice: 'Trenutno testiramo možemo li koristiti sustav i za opremu koja se koristi za punjenje naših vozila kočionom tekućinom i rashladnom tekućinom, na primjer.'

Iako već postoje brojne opcije za prediktivno održavanje opreme, integrirani sustav učenja u Regensburgu zasad je prvi te vrste. Kompatibilnost s prediktivnim održavanjem stoga je već upisana u natječaje za novu tehnologiju pokretnih traka. Proizvođači opreme također hvale sustav, jer i oni imaju koristi od njegovih ocjena. BMW Group je već registrirao dva patenta za svoj vlastiti razvoj.