Monitoring & Prediktivní údržba

Od reaktivní k prediktivní údržbě¶

Většina průmyslových firem provozuje údržbu reaktivně nebo časově. Obojí je suboptimální:

Reaktivní údržba: Stroj se rozbije → opravíme. Neplánovaný výpadek, expresní díly, přesčasy. Nejdražší přístup — neplánovaný výpadek stojí 3-10× víc než plánovaný.

Časová údržba: Každých 6 měsíců vyměníme ložisko. Bez ohledu na skutečný stav. Měníme díly, které ještě fungují (waste). A stejně nás překvapí porucha mezi intervaly.

Prediktivní údržba: Kontinuální monitoring stavu. Údržba když data říkají „za 2 týdny bude problém” — ne dříve (waste), ne později (porucha). Optimální timing, minimální výpadky.

ROI v číslech¶

Průmyslový konsensus (McKinsey, Deloitte):

• 25-30% snížení nákladů na údržbu
• 70-75% snížení neplánovaných výpadků
• 20-25% prodloužení životnosti zařízení
• 35-45% snížení inventory náhradních dílů

Neplánovaný výpadek výrobní linky: 50-500 tis. CZK/hodinu (závisí na odvětví). Jeden předpovězený a předejitý výpadek zaplatí projekt.

Condition monitoring¶

Senzory a měřené veličiny¶

Vibrace — nejcitlivější indikátor mechanického stavu: - Akcelerometry na ložiskových domcích, motorech, převodovkách - FFT (Fast Fourier Transform) analýza frekvenčního spektra - Charakteristické frekvence: BPFO, BPFI, BSF, FTF pro různé typy defektů ložisek - Envelope analysis pro detekci rané fáze defektu

Teplota: - Povrchová teplota motorů, ložisek, transformátorů - Termokamery pro bezdotykové měření - Trend: pomalý nárůst nad baseline = degradace maziva, přetížení, ucpaný chladič

Elektrické veličiny: - Proud a napětí — motor current signature analysis (MCSA) - Asymetrie fází = problém vinutí - Nárůst proudu při konstantním zatížení = mechanický odpor

Další: - Akustická emise — ultrazvuková detekce úniků, partial discharge - Tlak — hydraulické systémy, kompresory, filtrační systémy - Průtok — chladicí okruhy, mazací systémy - Vlhkost — transformátorový olej, izolace

Senzorická infrastruktura¶

Retrofit bez zásahu do kabeláže:

Wireless vibration senzory (ABB, SKF, Fluke) s baterií na 3-5 let. Instalace za minuty — magnet nebo lepidlo na ložiskový domek. Komunikace přes BLE, Wi-Fi nebo LoRaWAN do gateway → cloud/edge.

Integrace s existujícím PLC:

Většina moderních PLC už sbírá data z analogových vstupů. Nemusíme přidávat senzory — stačí data exportovat přes OPC-UA. Problém: PLC typicky vzorkuje pomalu (1 Hz) — pro vibrace potřebujeme 10-50 kHz (dedikovaný senzor).

Anomaly detection¶

Baseline — co je normální¶

Každý stroj má svůj „otisk normálního provozu.” Vibrace na frekvenci 120 Hz s amplitudou 2.5 mm/s je normální pro motor X za zatížení Y. Statistický model normálu:

• Training period: 2-4 týdny sběru dat v normálním provozu
• Feature extraction: Statistické featury (mean, std, RMS, kurtosis, crest factor), frekvenční featury (dominant frequencies, spectral entropy)
• Baseline model: Multivariable normal distribution nebo autoencoder

Detekce anomálií¶

Statistické metody (rychle nasaditelné): - Z-score per feature. Alert když |z| > 3 (3 sigma). - Control charts (Shewhart, CUSUM, EWMA). Průmyslový standard, dobře pochopitelné. - Advantage: interpretovatelné, nízké false positive, žádný training.

ML metody (přesnější, komplexnější): - Isolation Forest: Unsupervised, tree-based. Anomálie jsou „snadno izolovatelné” body. Fast, low memory. - One-class SVM: Boundary kolem normálních dat. Vše mimo boundary = anomálie. - Autoencoder: Neural network komprimuje a rekonstruuje vstup. High reconstruction error = anomálie. Zvládne multivariate, non-linear vzorce. - Temporal models: LSTM predikuje next timestep. Velká odchylka prediction vs. actual = anomálie.

Alert management¶

Ne každá anomálie je alarm. Hierarchie:

1. Info: Odchylka detekována, trend monitoring aktivován
2. Warning: Odchylka trvá / roste. Naplánovat inspekci.
3. Alert: Vysoká pravděpodobnost poruchy do X dní. Naplánovat údržbu.
4. Critical: Okamžité riziko. Zvážit odstavení.

Fatigue prevention: Příliš mnoho false alarmů = operátoři začnou ignorovat. Target: <5% false positive rate. Alert tuning je kontinuální proces.

Predikce Remaining Useful Life (RUL)¶

Anomaly detection říká: „něco je špatně.” RUL predikce říká: „vydrží ještě ~14 dní.”

Přístupy¶

Physics-based modely: Matematický model degradačního procesu (Paris law pro crack propagation, Archard equation pro opotřebení). Přesné, ale vyžadují hlubokou znalost domény a specifických failure modes.

Data-driven modely:

1. Training data: Historická data run-to-failure — senzory od instalace po poruchu. Čím více run-to-failure cyklů, tím lepší model.
2. Feature engineering: Sliding window statistiky, trend features, frequency domain features.
3. Model: Gradient boosted trees (XGBoost, LightGBM) pro tabulární data. LSTM/Transformer pro sequence data. Survival analysis (Cox regression) pro censored data.
4. Output: Predikovaný RUL v dnech/hodinách + confidence interval.

Hybrid: Physics-informed neural networks — ML model s physical constraints. Nejlepší z obou světů.

Bez historických poruch¶

Nemáte run-to-failure data? (Většina firem nemá.) Začínáme s:

1. Anomaly detection — zachytí odchylky od normálu
2. Degradation tracking — trendy klíčových indikátorů
3. Expertní znalost — maintenance tým ví, co indikátory znamenají
4. Postupná akumulace failure dat — každá porucha = training data pro budoucí model

Za 1-2 roky provozu typicky nasbíráme dostatek dat pro supervised RUL model.

IoT dashboardy¶

Grafana jako vizualizační platforma¶

• Fleet overview: Všechny stroje na jedné obrazovce. Zelená/žlutá/červená. Drill-down na detail.
• Machine detail: Real-time senzorická data, trendy, historické srovnání, predikce.
• Shift report: KPI per směna — OEE, availability, performance, quality.
• Maintenance view: Open work orders, upcoming predictions, spare parts inventory.

Alerting integrace¶

Alert z monitoring → automatické workflow:

1. Anomaly detected → alert v Grafana
2. Work order vytvořen v CMMS (SAP PM, Maximo, Fiix)
3. Přiřazení technikovi (automaticky nebo manuálně)
4. Technik diagnostikuje a opraví
5. Potvrzení opravy → uzavření work order
6. Feedback do ML modelu (was prediction correct?)

Mobilní přístup¶

Maintenance tým v terénu potřebuje data na telefonu:

• Responsive Grafana dashboardy
• Push notifikace při novém alertu
• QR kód na stroji → otevře dashboard stroje v mobilu
• Offline přístup k runbookům a dokumentaci

Technologický stack¶

Senzory: ABB, SKF, Fluke wireless vibration. Průmyslové RTD/thermocouple. Current transformers.

Data pipeline: MQTT, OPC-UA, Kafka, InfluxDB, TimescaleDB.

ML: scikit-learn, XGBoost, PyTorch (LSTM/Transformer), MLflow, Kubeflow.

Visualization: Grafana, custom web dashboards.

Integration: SAP PM, IBM Maximo, Fiix CMMS, custom work order systems.

Edge: Processing na edge pro real-time anomaly detection (viz Edge Computing).

Souvisí s