Prieš kelis metus teko kalbėtis su vienu gamyklos vadovu, kuris juokais sakė, kad jo siuvimo cechas veikia pagal principą „kol neužtruko, viskas gerai”. Tai skamba kaip anekdotas, bet realybėje būtent taip ir dirba dauguma tekstilės fabrikų – laukiama, kol mašina sustos, ir tik tada bėgama taisyti. O tokia stotelė vidury pamainos gali kainuoti kur kas daugiau, nei atrodo iš pirmo žvilgsnio.
Kodėl siuvimo mašinos genda būtent tada, kai to mažiausiai reikia
Siuvimo mašina – mechanizmas, kuris dirba tūkstančius ciklų per valandą. Adata, siūlo įtempimo mechanizmas, guoliai, motoras – visi šie elementai nuolat trinasi, kaista, dėvisi. Problema ta, kad žmogaus akis dažniausiai pastebi gedimą tik tada, kai jis jau įvyko: siūlė kreiva, garsas keistas, adata lūžo. O iki to momento mašina jau kelias dienas ar net savaites „šaukė” apie problemą – tik niekas jos negirdėjo.
Ką čia veikia jutikliai
Ir štai čia į vaizdą įeina IoT jutikliai. Nedideli, nebrangūs įtaisai, kurie prisegami prie mašinos ir nuolat renka duomenis: vibraciją, temperatūrą, greitį, garso dažnį, elektros srovės svyravimus. Vienas jutiklis pats savaime nieko nepasako, bet kai duomenys kaupiami savaitėmis ir mėnesiais, atsiranda modelis – kaip mašina „kvėpuoja”, kai viskas gerai, ir kaip pradeda „sunkiai alsuoti”, kai kažkas genda.
Praktiškai tai atrodo taip: guolis, kuris pradeda dėvėtis, generuoja šiek tiek kitokią vibraciją nei sveikas. Žmogus to nepajus, bet jutiklis – taip. Ir čia prasideda tikroji magija, vadinama prognozuojamąja diagnostika.
Prognozuojamoji diagnostika – ne šiaip madingas terminas
Idėja paprasta: vietoj to, kad taisytum, kai jau sugedo, arba keistum dalis pagal grafiką „iš anksto, tik dėl viso pikto”, sistema analizuoja realius duomenis ir sako – šita mašina, greičiausiai, sustos per 8-12 dienų, jei nieko nedarysi. Tai leidžia suplanuoti remontą taip, kad jis vyktų per pamainos pertrauką ar savaitgalį, o ne vidury didelio užsakymo.
Algoritmai čia nėra kažkas fantastiško – dažniausiai tai mašininio mokymosi modeliai, kurie mokosi iš istorinių duomenų: kokie vibracijos ar temperatūros modeliai anksčiau reiškė gedimą po kelių dienų. Kuo daugiau duomenų sukaupta, tuo tikslesnės prognozės.
Kas realiai keičiasi fabrike
Vienas Lietuvos tekstilės fabrikas, kuriame įdiegta panaši sistema keliose mašinose, pastebėjo įdomų dalyką – ne tik sumažėjo staigių gedimų, bet ir sumažėjo bendros priežiūros išlaidos. Kodėl? Nes anksčiau dalys buvo keičiamos „iš anksto ir su atsarga”, o dabar keičiamos tada, kai tikrai reikia, ne anksčiau, ne vėliau.
- Sumažėja neplanuotų prastovų – mašina sustabdoma kontroliuotai, ne staiga
- Atsarginės dalys perkamos tada, kai reikia, o ne sandėliuojamos „dėl visa ko”
- Meistrai žino, kur eiti dirbti, o ne bėga gaisro gesinti
- Kokybės problemos (pvz., pasikeitusi siūlės kokybė dėl susidėvėjusio elemento) pastebimos anksčiau
Žinoma, ne viskas taip rožiška, kaip skamba pardavimo prezentacijose. Reikia laiko, kol sistema „išmoksta” konkrečios mašinos elgseną, reikia žmonių, kurie sugeba interpretuoti duomenis, ir reikia investicijos į patį jutiklių tinklą. Mažam fabrikui su keliomis dešimtimis mašinų tai gali atrodyti kaip nemenkas iššūkis biudžetui.
Vietoj išvados – trys mintys, kurias verta pasidėti į galvą
Pirma, technologija čia ne stebuklas, o įrankis – ji veikia tik tada, kai kažkas realiai žiūri į duomenis ir reaguoja. Antra, geriausia pradėti nuo kelių kritinių mašinų, o ne bandyti apkabinti visą cechą iš karto – taip lengviau pamatyti, ar tikrai veikia, prieš investuojant plačiau. Ir trečia, svarbiausia – ši sistema keičia ne tik technikos priežiūrą, bet ir žmonių mąstyseną. Meistrai nustoja būti „gaisrininkais” ir tampa žmonėmis, kurie iš tikrųjų valdo situaciją, o ne bėga paskui ją. Ir tai, galbūt, yra didžiausia nauda, kurios jokia kaina neatspindi.