A Frost & Sullivan jelentése szerint a nem tervezett gépleállások több mint 45 milliárd eurónyi költséget emésztenek fel. A tanulmány alapján ezek 42 százalékát elsősorban a gyári berendezések meghibásodásai okozzák. Ilyenkor a lehető leggyorsabb intézkedésekre van szükség, hogy mielőbb helyreállhasson a rendszer.

A prediktív karbantartás azonban még időben figyelmeztet az alkatrészek esetleges meghibásodására vagy az optimális működéstől való bármilyen eltérésre. Ebben többféle szenzor segíthet, legyen szó az olajszint vagy a vibráció monitorozásáról, de az akusztikai vagy hőérzékelők is szükség esetén azonnal riasztást küldhetnek. Természetesen kulcskérdés a nagy mennyiségű adatgyűjtés és hatékony adatelemzés is. Így a szervizcsapatok még azelőtt elvégezhetik a karbantartást, hogy bekövetkezne a baj. Ez pedig jelentős idő- és költségmegtakarítást eredményezhet.

A megelőző karbantartási technológiák is egyre okosabbak

Az elemzés szerint a modern technológiák alkalmazása szélsőséges esetben akár a termelékenység 66%-os növekedését eredményezheti. Példaként említhető a Mitsubishi Electric saját fejlesztésű, intelligens állapotfelügyeleti (Smart Condition Monitoring, SMC) megoldása, amely korai figyelmeztetést küld az üzemben található gépek esetleges meghibásodásáról.

A további lehetőségeket jól mutatja, hogy a mesterséges intelligencia (artifical intelligencia, AI) révén a prediktív karbantartás hatékonysága is új szintre emelhető.

Az AI-alapú gépi tanulási algoritmusok alkalmazásával még nagyobb betekintés nyerhető a gépek működésébe. Nem csupán az aktuális teljesítmény hasonlítható össze az előre meghatározott mutatókkal, hanem a valós idejű adatokra és a múltbeli tendenciákra együttesen alapozva hozhatók meg a szükséges döntések.

A mesterséges intelligencia-alapú karbantartásra példa lehet a japán elektrotechnikai gyártó MELFA Smart Plus applikációja is, amelyet a vállalat legújabb generációs ipari robotjainál alkalmaznak. Ennek segítségével pontosan ellenőrizhető a gépek fő alkatrészeinek működése, így a karbantartási ütemtervek a tényleges működési feltételekhez igazítva alakíthatók ki.

A módszer alkalmas a robotok élettartamának előrejelzésére is már a tervezési szakaszban, valamint az éves karbantartási költségek is megbecsülhetők vele.