Machine Learning pentru Mentenanța Predictivă a Echipamentului Automatizat

Echipamentul automatizat care se defectează în mijlocul unei ture poate opri o întreagă linie de picking, buclă de sortare sau culoar ASRS. Mentenanța predictivă bazată pe machine learning urmărește să prindă degradarea echipamentului înainte să cauzeze o oprire neplanificată, mutând mentenanța de la un program fix la unul bazat pe condiție.

Mentenanța automatizării de depozit a urmat în mod tradițional două modele: reactiv (repari când se strică) și preventiv (service pe un calendar fix sau program de ore de funcționare, indiferent de condiția reală). Ambele au dezavantaje — mentenanța reactivă înseamnă timp de nefuncționare neplanificat în cel mai prost moment posibil, în timp ce mentenanța preventivă adesea înlocuiește piese care mai au durată de viață utilă, sau ratează defecțiuni care se dezvoltă mai rapid decât anticipează programul. Mentenanța predictivă folosește date de la senzori și modele statistice sau de machine learning pentru a estima condiția reală a unei componente și a semnala nevoile de service pe baza tendințelor reale de degradare, nu a unui calendar.

Intrările comune de senzori pentru mentenanța predictivă pe echipamentul de depozit includ:

• Analiza vibrațiilor — motoarele, cutiile de viteze și rolele benzii transportoare dezvoltă semnături caracteristice de vibrație pe măsură ce rulmenții se uzează.
• Monitorizarea termică — căldura anormală în motoare, curele de transmisie sau panouri electrice precede adesea o defecțiune.
• Curent și consum de putere — motoarele care trag mai mult curent decât linia de bază pentru aceeași sarcină pot indica rezistență mecanică în acumulare.
• Numărul de cicluri și tipare de utilizare — urmărirea intensității reale de utilizare, nu presupunerea unei uzuri uniforme pe toate unitățile dintr-o flotă.

Flotele de roboți mobili sunt potrivite pentru mentenanța predictivă deoarece fiecare unitate generează date operaționale comparabile — curbele de sănătate a bateriei, tiparele de curent al motorului și ratele de eroare de navigație pot fi comparate pe flotă pentru a detecta o unitate care se degradează mai rapid decât colegele ei în condiții similare de utilizare. Asta permite echipelor de mentenanță să scoată o anumită unitate pentru service înainte să se defecteze pe traseu, nu să facă service pe întreaga flotă la interval fix sau să aștepte o defecțiune.

Mentenanța predictivă este utilă doar în măsura acoperirii senzorilor și datelor istorice disponibile pentru antrenarea modelelor. Facilitățile care retro-adaptează automatizarea mai veche pot avea nevoie să adauge senzori care nu au fost parte din pachetul original de echipament, iar construirea unui model fiabil necesită suficiente date istorice de defecțiune pentru a distinge semnale reale de avertizare de variația normală de operare. De aceea programele de mentenanță predictivă sunt adesea introduse gradual, mai întâi pe echipamentul cu impact cel mai mare (mașinile a căror defecțiune cauzează cea mai mare nefuncționare), nu pe toată facilitatea deodată.

Mentenanța predictivă reduce timpul de nefuncționare neplanificat și poate extinde durata de viață a componentelor evitând înlocuirea preventivă prematură, dar nu elimină nevoia de o echipă de mentenanță sau un inventar de piese de schimb. Modelele produc avertismente probabilistice, nu certitudini, iar facilitățile au nevoie de un proces de răspuns definit — cine investighează o anomalie semnalată, ce declanșează o oprire imediată versus o fereastră de service programată — pentru ca semnalul predictiv să se traducă într-un beneficiu operațional, nu doar încă un tablou de bord.