Koszty przestoju w produkcji
Tak, tytuł tego postu jest prawidłowy. W 2017 roku ARC Advisory Group oszacowała, że globalny koszt przestoju w branży produkcyjnej mieści się w granicach jednego biliona dolarów rocznie. To dużo pieniędzy, a żeby ująć to w perspektywie, globalny PKB w 2019 roku według Banku Światowego wyniósł 87,8 biliona dolarów. Nikogo więc nie zdziwi, że zredukowanie przestojów jest jedną głównych zalet, jakie może zapewnić przemysłowe IoT.
Jak zredukować przestoje w produkcji dzięki przemysłowym aplikacjom IoT?
Jakie działania można podjąć w celu redukcji przestojów? Predykcyjne utrzymanie ruchu okazało się bardzo opłacalną aplikacją do rozwiązywania problemów związanych z przestojami, zapewniającą wysoki wskaźnik zwrotu z inwestycji. IoT Analytics prognozuje, że rynek „Predictive maintenance” wzrośnie (z 39% CAGR) do 23,5 mld dolarów w 2024 roku. To, co czyni predykcyjne utrzymanie ruchu tak atrakcyjne, to fakt, że rozwiązuje dwie kluczowe kwestie jednocześnie. Jeśli maszyny lub komponenty, takie jak silniki, pompy i łożyska, są eksploatowane aż do momentu ich awarii, może dojść do bardziej kosztownych uszkodzeń sprzętu w wyniku awarii. Dodać należy jeszcze czas spędzony przez pracowników próbujących uzyskać części zamienne na miejscu. Pozostaje jeszcze czas poświęcony na samą naprawę. Wszystko to zwiększa ostateczny koszt nieplanowanego przestoju i przyczynia się do utraty produkcji. Z drugiej strony, jeśli sprzęt jest nadmiernie serwisowany poprzez zbyt częstą lub zbyt wczesną wymianę części zużywających się, czas przestoju również wzrasta z powodu zbyt częstych przerw serwisowych. W predykcyjnym utrzymaniu ruchu algorytmy wykorzystują dane z czujników maszyn i komponentów, aby ostrzec operatora o przyszłym stanie awarii z wyprzedzeniem, dając wystarczająco dużo czasu na zaplanowanie serwisu przed wystąpieniem awarii.
Korzyści wynikające z zastosowania bezprzewodowego przemysłowego IoT w predykcyjnym utrzymaniu ruchu
Rozwiązania konserwacji predykcyjnej powszechnie polegają na wykrywaniu anomalii w zmianach charakterystyki wibracyjnej silników, pomp, łożysk i innych urządzeń, które uruchamiają procesy przemysłowe i komercyjne. Ponieważ koszty okablowania w celu dodania czujników drgań są niezwykle wysokie, czujniki te zazwyczaj wykorzystują komunikację bezprzewodową i są zasilane z baterii. Silion Labs posiada w swojej ofercie kilka unikalnych zalet dla konstruktorów rozwiązań „Predictive maintenance”. Nasze produkty zawierają wiodące w branży bezprzewodowe SoC i moduły o niskim zużyciu prądu. Dzięki wbudowanym trybom niskiego zużycia energii, czujniki mogą korzystać z szybkich czasów wybudzania i balansowania pomiędzy trybami uśpienia i aktywności. Ta optymalizacja zasilania przekłada się na dłuższą żywotność baterii, co oznacza niższy całkowity koszt posiadania (TCO) dla klienta końcowego, ponieważ czujniki wymagają rzadszej konserwacji w okresie ich użytkowania.
Jak wybrać najlepiej dopasowane urządzenie bezprzewodowe do swojej aplikacji?
Środowiska, w których wdrażane są rozwiązania z zakresu predykcyjnego utrzymania ruchu, bardzo się od siebie różnią. Dlatego też twórca rozwiązania powinien współpracować z ekspertem w dziedzinie komunikacji, który może obsługiwać szeroki zakres technologii bezprzewodowych w wielu pasmach częstotliwości. W przypadku potrzeb o większym zasięgu, bardziej odpowiednie są technologie takie jak Wi-SUN, Mioty lub inne opcje sub-GHz. Lokalne sieci w fabryce lub zakładzie mogą skorzystać z technologii Bluetooth i mesh lub wykorzystać istniejącą dwupasmową infrastrukturę Wi-Fi aby połączyć się z czujnikami.
Jak Embedded AI/ML zmienia predykcyjne utrzymanie ruchu?
Sztuczna inteligencja i uczenie maszynowe (AI/ML) rozszerzyły swój zasięg z bycia aplikacją na poziomie chmury, wymagającą ogromnych zasobów obliczeniowych, do czegoś, co może być efektywnie wykonywane na mikrokontrolerach poziomu Cortex-M. Partnerzy Silicon Labs w zakresie AI/ML zbudowali narzędzia, które pozwalają algorytmom „Predictive maintenance” działać na zaledwie kilku kilobajtach pamięci RAM. Wstępne przetwarzanie brzegowe oznacza, że lokalne radio może być wyłączone, dopóki nie wystąpi anomalia, którą należy zgłosić do systemu i operatora. Może to dodatkowo oszczędzić cenną pojemność baterii i zmniejszyć TCO.
Jak rozpocząć pracę z bezprzewodowym Industrial IoT
Jeśli chcesz się przyczynić do rozwiązania tego bilionowego problemu, dobrym początkiem może być poznanie zestawu Thunderboard Sense 2 Evaluation Kit od Silicon Labs. Zestaw ten integruje komunikację bezprzewodową z szeregiem różnych czujników, w tym akcelerometrem i czujnikiem temperatury, które są najczęściej spotykane w aplikacjach „Predictive maintenance”. Możesz również napisać do nas w tej sprawie, pomożemy Ci zaprojektować rozwiązania oparte o bezprzewodowe SoC jak również innych modułach.
Skomentuj